FoMo (Forêt Montmorency) 数据集

FoMo数据集是由加拿大魁北克市的拉瓦尔大学北方机器人实验室和多伦多大学机器人研究所联合创建，旨在为移动机器人导航提供一个多季节、多样化的数据集。该数据集位于蒙莫朗西森林，覆盖6公里的六条不同轨迹，通过不同季节的重复记录，累计42公里的数据。数据集包含多种传感器数据，如激光雷达、雷达和导航级惯性测量单元，特别强调季节性变化，如树冠变化和高达2米的积雪深度，为机器人导航算法带来新的挑战。此外，数据集提供厘米级精确的地面实况，通过后处理动态（PPK）全球导航卫星系统（GNSS）校正获得，旨在推动自主导航领域的进步。数据集的应用领域包括自主导航、地图构建和语义分割等，旨在解决极端环境变化下的机器人导航问题。

The FoMo dataset was jointly created by the Northern Robotics Laboratory at Laval University in Quebec City, Canada, and the University of Toronto Robotics Institute, designed to provide a multi-seasonal, diverse dataset for mobile robot navigation. Located in Montmorency Forest, the dataset covers six distinct trajectories spanning 6 kilometers, with repeated recordings across different seasons resulting in a cumulative 42 kilometers of valid data. It includes various types of sensor data such as LiDAR, radar, and navigation-grade inertial measurement units (IMUs), with a particular emphasis on seasonal changes including canopy variations and snow depths up to 2 meters, which poses novel challenges for robot navigation algorithms. Additionally, the dataset offers centimeter-accurate ground truth obtained via post-processed kinematic (PPK) Global Navigation Satellite System (GNSS) corrections, aiming to promote advancements in the field of autonomous navigation. Application areas of the dataset include autonomous navigation, mapping, and semantic segmentation, among others, with the objective of addressing robot navigation problems under extreme environmental variations.

搜集汇总

数据集介绍

构建方式

在机器人导航领域，面对非结构化环境的挑战日益凸显，FoMo数据集的构建旨在填补寒带森林环境数据的空白。该数据集通过搭载多模态传感器的无人地面车辆，在加拿大魁北克蒙莫朗西森林中沿六条预设轨迹进行数据采集，每条轨迹长度各异，总长6公里。数据采集计划从初秋开始，每月重复一次直至次年春季，累计记录里程达42公里，以捕捉季节性变化对导航算法的影响。为确保数据精度，采用后处理动态GNSS校正技术获取厘米级精度的地面真值轨迹，同时通过精密时间协议实现多传感器时间同步，并执行严格的空间标定流程，涵盖相机、激光雷达、雷达及惯性测量单元之间的外参校准。

特点

FoMo数据集的显著特点在于其专注于寒带森林这一独特生态环境，该环境以密集的针叶林、季节性积雪深度可达2米以及树冠变化为特征，为机器人导航算法提供了极具挑战性的测试场景。数据集集成了丰富的传感器模态，包括高分辨率立体相机、三维激光雷达、二维扫描雷达以及导航级惯性测量单元，辅以气压计和麦克风等辅助传感器，实现了对环境的全面感知。此外，数据集还包含了同步记录的气象数据，如温度、湿度和气压，为研究环境因素对导航性能的影响提供了宝贵信息。其多季节重复采集的设计，使得算法在动态变化环境中的长期鲁棒性评估成为可能。

使用方法

FoMo数据集主要服务于机器人导航算法的开发与评估，特别是在三维里程计和度量定位任务中。研究人员可利用其提供的多季节、多传感器数据，测试算法在极端环境变化下的性能。数据集配套的公开里程计与定位排行榜以及专用软件套件，便于社区进行算法性能的标准化比较与验证。此外，数据集还可应用于语义分割、地形分类、可通行性估计以及多传感器融合等广泛研究领域。用户可通过访问项目网站获取数据，并遵循提供的校准参数和地面真值轨迹，进行算法的训练、测试与基准评估。

背景与挑战

背景概述

FoMo（Forêt Montmorency）数据集由加拿大拉瓦尔大学北方机器人实验室与多伦多大学机器人研究所联合提出，旨在为机器人导航领域提供一套覆盖多季节变化的综合性数据资源。该数据集于2024年正式发布，核心研究聚焦于解决在极端自然环境——特别是北方森林——中自主导航的鲁棒性问题。通过采集长达42公里的多轨迹数据，涵盖秋季至春季的完整冻融周期，FoMo数据集以其厘米级精度的地面真值轨迹和丰富的传感器模态（包括激光雷达、雷达及导航级惯性测量单元），显著提升了非结构化环境下定位与建图算法的评估标准，对推动野外机器人技术在林业、勘探等领域的应用具有深远影响。

当前挑战

FoMo数据集致力于应对机器人导航在动态非结构化环境中的核心挑战，尤其是在北方森林这类具有显著季节变化的生态系统中。具体而言，其首要挑战在于解决极端环境下的长期定位与地图维护问题，例如高达2米的积雪覆盖、树冠形态的季节性变迁以及稀疏的GNSS信号，这些因素共同导致传统视觉与激光SLAM算法的性能严重退化。在数据构建过程中，研究团队面临多重技术难题：多传感器（如雷达与激光雷达）在恶劣天气下的同步校准与数据融合、厘米级地面真值在密林环境中的可靠获取，以及大规模多季节数据采集的工程稳定性保障。这些挑战共同凸显了在复杂自然场景中构建高精度、可复现数据集的科学价值与实用难度。

常用场景

经典使用场景

在机器人导航领域，FoMo数据集为研究极端环境下的自主定位与建图提供了经典场景。该数据集聚焦于加拿大魁北克蒙莫朗西森林的寒带环境，通过重复采集六条总长6公里的轨迹，并覆盖从秋季到春季的多季节变化，包括高达2米的积雪深度和树冠形态演变。这种设计使得研究者能够系统评估同步定位与建图（SLAM）算法在动态、非结构化自然环境中的鲁棒性，尤其针对传感器在冰雪覆盖、植被遮蔽等挑战条件下的性能表现。

实际应用

FoMo数据集的实际应用价值体现在寒带森林资源勘探、野外监测与救援等场景中。在林业管理方面，自主机器人可利用该数据集训练的算法进行树木普查或生态监测，适应积雪与植被的季节性变化。对于极地或偏远地区的科学考察，装备多模态传感器的平台能够依托此类数据提升在低纹理、强干扰环境中的导航可靠性。此外，该数据集还为开发适用于严苛气候条件的自动驾驶系统提供了测试基准，促进机器人技术在农业、矿业等户外产业的落地。

衍生相关工作

FoMo数据集的推出衍生了一系列专注于极端环境导航的经典研究工作。例如，研究者利用其多季节雷达数据探索了在强降雪条件下替代激光雷达的可行性，推动了全天候感知算法的发展。同时，该数据集与BOREAS、Wild-Places等现有寒带或森林数据集形成互补，共同促进了长期定位与地图维护算法的比较与优化。基于FoMo的公开排行榜和软件套件，社区已涌现出针对传感器标定、跨季节语义分割及地形可通行性预测的创新方法，丰富了非结构化环境自主导航的研究生态。