Proprioception Is All You Need: Terrain Classification for Boreal Forests

最近的现场机器人研究强调了对不同类型地形的适应能力的重要性。特别是北方森林是许多影响机动性的地形的家园，应该考虑到越野自主导航。此外，作为地球上最大的陆地生物群落之一，北方森林是自主车辆预计变得越来越普遍的地区。本文通过引入BorealTC来解决这个问题，BorealTC是一个基于本体感地形分类（TC）的公开可用数据集。使用Husky A200记录，我们的数据集包含116分钟的惯性测量单元（IMU）、电机电流和轮胎里程数据，重点关注典型的北方森林地形，尤其是雪、冰和淤泥壤。将我们的数据集与最先进的另一个数据集相结合，我们在TC任务上评估了卷积神经网络（CNN）和新颖的状态空间模型（SSM）Mamba架构。有趣的是，我们发现尽管CNN在每个单独的数据集上表现优于Mamba，但Mamba在组合训练集上实现了更高的准确性。此外，我们证明了对于增加的数据量，Mamba的学习能力大于CNN。我们展示了两个TC数据集的组合产生了一个可以解释地形特性的潜在空间。我们还讨论了合并数据集对分类的影响。我们的源代码和数据集可在以下网址公开获取：https://github.com/norlab-ulaval/BorealTC。

BorealTC: 一个用于林区自主导航的数据集，旨在解决在不同类型地形下的自主导航问题。

论文介绍了BorealTC数据集，并使用卷积神经网络和状态空间模型（SSM）的Mamba架构对其进行了分类任务的评估，发现Mamba在组合两个数据集进行训练时表现更好，并且具有更大的学习能力。

论文提供了一个新的数据集BorealTC，包含116分钟的IMU、电机电流和轮子里程数据，着重考虑了针对林区自主导航的典型地形，如雪、冰和壤土。研究发现，Mamba在组合两个数据集进行训练时表现更好，并且具有更大的学习能力。此外，论文还讨论了合并数据集对分类的影响，提供了开源代码和数据集。

近期相关研究包括：《Terrain Classification for Autonomous Robots Using Deep Learning: A Survey》、《Terrain Classification for Planetary Rovers Using Convolutional Neural Networks》等。