仅凭本体感知即可：面向北方森林的地形分类

近期在领域机器人学中的研究强调了机器人在应对不同类型地形时的鲁棒性至关重要。特别是，北方森林（boreal forests）包含多种阻碍移动的复杂地形，这些地形在实现非结构化环境下的自主导航时必须予以充分考虑。此外，作为地球上面积最大的陆地生物群落之一，北方森林正成为自动驾驶车辆应用日益广泛的区域。为此，本文提出了一种名为 BorealTC 的公开数据集，用于基于本体感知（proprioceptive-based）的地形分类（Terrain Classification, TC）任务。该数据集由 Husky A200 机器人平台采集，包含长达 116 分钟的惯性测量单元（IMU）数据、电机电流信号以及车轮里程计信息，重点覆盖北方森林中典型的地形类型，包括积雪、冰面和粉质壤土（silty loam）。我们将 BorealTC 数据集与当前最先进的另一数据集相结合，对两种模型——卷积神经网络（Convolutional Neural Network, CNN）和基于新型状态空间模型（State Space Model, SSM）的 Mamba 架构——在地形分类任务上进行了评估。研究发现，尽管在单独使用任一数据集时，CNN 的性能均优于 Mamba，但当 Mamba 在两个数据集联合训练时，其分类准确率反而显著提升。此外，我们进一步证明，在数据量不断增加的情况下，Mamba 的学习能力优于 CNN，展现出更强的可扩展性。本研究还发现，将两个地形分类数据集进行融合后，所得到的隐空间（latent space）能够以可解释的方式体现不同地形的物理特性。我们进一步探讨了多源数据融合对分类性能的影响及其潜在意义。本文所涉及的源代码与数据集已公开发布，可通过以下链接获取：https://github.com/norlab-ulaval/BorealTC。