El logro de la autonomía de los robots tiene como requisito la percepción del entorno. Los peligros generados por terrenos irregulares, suaves y resbaladizos, que generalmente se denominan peligros no geométricos, son otra amenaza potencial que reduce la eficiencia del recorrido, y por lo tanto, están recibiendo cada vez más atención de la comunidad de la robótica. En el documento, se investiga la clasificación de terrenos basada en vibraciones (VTC) teniendo en cuenta un problema muy práctico, es decir, la falta de etiquetas. Según la correlación temporal intrínseca existente en la secuencia de terreno muestreada, se propone un SVM Laplaciano modificado para utilizar los datos no etiquetados y mejorar el rendimiento de la clasificación. Hasta donde sabemos, este es el primer documento que estudia el problema de aprendizaje semisupervisado en la clasificación de terrenos robóticos. El experimento demuestra que: (1) el aprendizaje supervisado (SVM) logra una precisión de clasificación relativamente baja si se proporcionan etiquetas insuficientes; (2) el aprendizaje semisupervisado basado en la homogeneidad del espacio de características (SVM Laplaciano tradicional) no puede mejorar la precisión del aprendizaje supervisado, e incluso empeora; (3) el aprendizaje semisupervisado basado en el espacio de características y temporales (SVM Laplaciano modificado), propuesto en el documento, podría aumentar significativamente la precisión de la clasificación.