Les travaux récents en robotique terrain ont mis en évidence l'importance de la résilience face à divers types de terrains. Les forêts boréales, en particulier, abritent de nombreux terrains pouvant entraver la mobilité, qui doivent être pris en compte pour la navigation autonome hors route. En outre, étant l'une des plus grandes biomes terrestres au monde, les forêts boréales constituent un domaine où l'on s'attend à ce que les véhicules autonomes deviennent de plus en plus courants. Dans cet article, nous abordons cette problématique en introduisant BorealTC, un jeu de données publique dédié à la classification des terrains basée sur les capteurs proprioceptifs (TC). Enregistré à l’aide d’un robot Husky A200, notre jeu de données comprend 116 minutes de données provenant d’un capteur d’unité de mesure inertielle (IMU), du courant moteur et de l’odométrie des roues, avec un focus sur des terrains typiques des forêts boréales, notamment la neige, la glace et l’argile limoneuse. En combinant notre jeu de données avec un autre jeu de données issu de l’état de l’art, nous évaluons à la fois un réseau de neurones convolutif (CNN) et l’architecture récente basée sur les modèles d’état (SSM), Mamba, sur une tâche de classification des terrains. De façon intéressante, nous montrons que bien que le CNN surpasse Mamba sur chaque jeu de données individuel, Mamba atteint une précision supérieure lorsqu’il est entraîné sur la combinaison des deux jeux. En outre, nous démontrons que la capacité d’apprentissage de Mamba est supérieure à celle du CNN lorsque la quantité de données augmente. Nous montrons également que la combinaison de deux jeux de données de TC donne lieu à un espace latent interprétable en fonction des propriétés des terrains. Nous discutons également des implications de la fusion de jeux de données sur la classification. Le code source et le jeu de données sont disponibles publiquement en ligne : https://github.com/norlab-ulaval/BorealTC.