FoMo: モンモランシー森林におけるロボットナビゲーションのためのマルチシーズンデータセット

- FoMoは、boreal forest（亜寒帯林）で1年間にわたり収集された、ロボットナビゲーション用の多季節データセット。 - 6つの多様なtrajectoryを12回のdeploymentで繰り返し、総計64 km以上のデータを含む。 - on-pavementとoff-pavementの環境を組み合わせ、雪の蓄積が1 mを超える、センサー前方の植生成長、traction限界での運用などの特徴を持つ。 - センサーは回転式とhybrid solid-stateのlidar、FMCW radar、stereo cameraとwide lens monocular cameraのfull-HD画像、2つのIMU。 - Ground TruthはUGVに搭載した3つのGNSS receiverと静的GNSS base stationの後処理で算出。 - 気象観測所からの1分ごとの測定、カメラキャリブレーション内部パラメータ、車両消費電力などのmetadataも含む。

- 既存のodometryやSLAMパイプラインが直面する、季節変化の影響を評価するためのデータセット。 - 多季節にわたるboreal forestでのon/off-pavement環境、1 m超の積雪、植生成長、traction限界運用といった極端な条件を含む点が特徴。 - 従来のデータセットと比べ、lidar-inertial、radar-gyro、visual-inertialのlocalization and mapping手法の季節変化に対するrobustnessを評価可能。 - 要旨からは、先行研究との具体的な比較は不明。

- 1年間にわたる12回のdeploymentで、6つのtrajectoryを繰り返し記録。 - センサーsuite: 回転式lidar、hybrid solid-state lidar、FMCW radar、stereo camera、wide lens monocular camera、2つのIMU。 - Ground Truth: UGV上の3つのGNSS receiverと静的GNSS base stationの後処理。 - 追加metadata: 気象観測所データ（1分ごと）、カメラキャリブレーション内部パラメータ、車両消費電力。 - 評価: lidar-inertial、radar-gyro、visual-inertialのlocalization and mapping手法の季節変化に対するrobustnessを予備的に評価。

- データセットの関連性を示すため、lidar-inertial、radar-gyro、visual-inertialのlocalization and mapping手法の季節変化に対するrobustnessを予備的に評価。 - 季節変化がstate-of-the-art手法のre-localization能力に深刻な影響を与えることを示した。 - 具体的な評価指標や実験設定は要旨からは不明。

- 季節変化がstate-of-the-art手法のre-localization能力に深刻な影響を与えることを示唆。 - データセットと開発キットは公開されている（https://fomo.norlab.ulaval.ca）。 - その他の議論や限界については要旨からは不明。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、lidar-inertial odometry、radar-gyro odometry、visual-inertial odometry、SLAMパイプラインが挙げられる。 - 同分野の定番として、LOAM、LIO-SAM、ORB-SLAM、VINS-Monoなどが考えられるが、要旨に記載はない。