أظهرت الدراسات الحديثة في مجال الروبوتات الحقلية أهمية المرونة تجاه أنواع مختلفة من التضاريس. وتحظى الغابات البويرة، على وجه الخصوص، بوجود العديد من التضاريس التي تعيق الحركة، والتي ينبغي أخذها بعين الاعتبار عند تصميم أنظمة التنقل الذاتي خارج الطرق. كما أن الغابات البويرة، باعتبارها واحدة من أكبر البيئات الحيوية البرية على الأرض، تمثل منطقة من المرجح أن تشهد زيادة متزايدة في استخدام المركبات ذاتية القيادة. في هذا البحث، نتناول هذه القضية من خلال تقديم BorealTC، وهو مجموعة بيانات متاحة للجمهور تُستخدم لتصنيف التضاريس القائمة على الاستشعار الذاتي (TC). تم تسجيل هذه المجموعة باستخدام روبوت Husky A200، وتشمل 116 دقيقة من بيانات وحدة القياس التسارعية (IMU)، والتيار الكهربائي للمحرك، وبيانات العداد الدوراني للعجلات، مع التركيز على التضاريس الشائعة في الغابات البويرة، مثل الثلج، الجليد، والتربة الطينية الغنية بالغبار. وبالاعتماد على دمج هذه المجموعة مع مجموعة بيانات أخرى من أحدث الأبحاث، قمنا بتقييم كل من الشبكة العصبية التلافيفية (CNN) والبنية المبتكرة القائمة على النموذج الفضائي الحالة (SSM) المعروف باسم Mamba في مهمة تصنيف التضاريس. ونُلاحظ بشكل مثير للاهتمام أن CNN تتفوّق على Mamba عند تدريب كل نموذج على مجموعة بيانات منفصلة، لكن Mamba يحقق دقة أعلى عند التدريب على دمج المجموعتين معًا. علاوة على ذلك، نُظهر أن قدرة Mamba على التعلم تفوق قدرة CNN مع زيادة كمية البيانات. كما نُبيّن أن دمج مجموعتي بيانات تصنيف التضاريس يؤدي إلى فضاء خفي يمكن تفسيره من خلال خصائص التضاريس. ونناقش أيضًا الآثار الناتجة عن دمج المجموعات على عملية التصنيف. يُمكن الوصول إلى الكود المصدري ومجموعة البيانات عبر الإنترنت بشكل مفتوح: https://github.com/norlab-ulaval/BorealTC.