文章 # 面向自动驾驶的基于二维深度图像的轻量级LiDAR三维人体姿态估计 Gyu-Yeon Kim$^{1}$、Somi Park$^{2}$、Sunkyung Lee$^{2}$、Bobin Seo$^{2}$$^{ID}$, Seon-Han Choi$^{2,*}$$^{ID}$和Sung-Min Park$^{2}$ $^{1}$ 梨花女子大学智能工厂研究生项目，首尔 03760，大韩民国； 2 梨花女子大学电子与半导体工程系，首尔 03760，大韩民国； (S.P.); (S.L.); (B.S.); (S.-M.P.) 通讯作者： ## 摘要 现实交通场景具有高度动态性，行人的运动往往不可预测。行人姿态是预测其行为的核心线索，能够让车辆提前做出主动响应，降低事故风险。在自动驾驶领域，车辆与行人之间的距离信息至关重要，因此三维人体姿态估计十分关键。在此背景下，行人姿态估计得到了大量研究，近年来，激光雷达（LiDAR）传感器凭借其精准的三维深度信息和隐私保护优势受到了广泛关注。然而，现有基于LiDAR的三维姿态估计方法大多直接处理三维数据，需要高昂的计算成本和内存占用。本文提出了一种专门为自动驾驶系统部署设计的轻量级基于LiDAR的三维人体姿态估计方法。与传统的直接处理三维数据的方法不同，我们的方法通过将点云投影为二维深度图像，利用轻量级MoveNet，再进行高效的三维升维，从策略上降低了计算复杂度。此外，我们引入了自遮挡校正算法，提升了侧视和弯曲姿态下的鲁棒性，这类场景中基于深度的投影往往存在畸变问题。在基准数据集上的实验结果表明，本文提出的方法在获得颇具竞争力的姿态估计精度的同时，大幅提升了效率，彰显了其在实时自动驾驶车辆应用中的实用性与可扩展性。 关键词：自动驾驶；LiDAR；二维深度图像；三维人体姿态估计；轻量级 ![Image](images/4cd0108ea36ff7ff574c213c0236623277e7efc09e8ebd6a6c6b38f8962b4e98.jpg) 学术编辑：Adam Ziebiński 收稿日期：2026年1月21日 修回日期：2026年3月3日 录用日期：2026年3月3日 发表日期：2026年3月5日 版权声明：© 2026 归作者所有。 许可方：瑞士巴塞尔MDPI 本文是一篇开放获取文章 分发遵循条款与 知识共享许可协议的条件 署名（CC BY）许可。 ### 1. 引言 近年来自动驾驶技术的进步大幅提升了车辆的能力。尽管如此，真实交通环境的复杂性和不确定性仍然带来了严峻的安全挑战。在所有道路使用者中，行人的动态性尤其强、行为不可预测，呈现出不规则的轨迹与运动速度，行为会根据场景和个人决策突然发生变化 [^1] [^2]。因此，除基础的检测任务外，对行人行为的理解与预测对实现安全可靠的自动驾驶至关重要。在此背景下，行人姿态为判断其动作和意图提供了重要线索。通过观察行人的姿态与动作，能够预测行人是否即将过马路、是否正在靠近车辆，从而让车辆提前做出主动反应，降低事故风险。研究 --- 已经表明，即使行人轨迹预测精度仅提升30厘米，也会对碰撞风险产生显著影响 [^3]，而将紧急制动时机仅提前0.16秒就能够大幅降低受伤严重程度 [^4]。在自动驾驶系统中，车辆与行人之间的距离和高度会直接影响关乎安全的决策，因此三维人体姿态估计必不可少。 在这一背景下，行人姿态估计研究目前主要由基于相机的方法推动。具体而言，从RGB图像中提取的二维姿态和运动表征已被广泛用于推断行人过街意图和未来运动动态。这类表征通常会与时序建模框架（包括基于图的时空方法）结合，以捕捉驾驶场景下结构化的人体运动模式 [^5] [^6] [^7]。此外，学界也在积极开展鲁棒相机检测的相关研究，以应对复杂恶劣的环境条件。例如，IHENet提出了一种光照不变的分层特征增强网络，用于提升弱光条件下目标检测器的性能 [^8]。与之类似，利用数据增强和域自适应的鲁棒感知框架也被提出，用于提升恶劣天气和能见度变化场景下检测的可靠性 [^9]。近年其他检测模型则专注于维持模型在雾天、雨天和夜间场景下的性能。 尽管如此，基于相机的方法固有缺陷是在极端光照条件下性能会出现下降。此外，相机设备无法直接获取精确的、带距离信息的三维几何信息，而这类信息对自动驾驶中关乎安全的决策至关重要。另外，采集可识别的视觉信息还可能在公共环境中引发隐私担忧。这些缺陷让基于LiDAR的方法获得了越来越多的关注，这类方法能够提供精确的几何深度测量，运行不受环境光照影响，且仅保留结构线索，不会记录详细的个人外观特征 [^10] [^11]. 现有基于LiDAR的人体姿态估计研究主要围绕可直接处理三维空间点云的深度学习模型发展。值得注意的是，Li等人提出的LiDAR-Cap $^{[12]}$建立了一套基础流程：利用PointNet++提取逐帧点特征，通过门控循环单元（GRU）融入时序信息，基于时空图卷积网络（ST-GCN）进行关节旋转估计，并通过蒙皮多人线性（SMPL）模型生成三维人体网格。在这项开创性工作之后，学界提出了各类后续研究，包括MOVIN $^{[13]}$、LiDARCapV2 $^{[14]}$、NE-LiDARCap $^{[15]}$以及LiveHPS $^{[16]}$。MOVIN通过对姿态变化分布建模，并通过混合专家（MOE）架构组合不同分布，实现了更多样的姿态生成。LiDAR-CapV2引入AgNoise-Segment模块，提升了人体点云被物体遮挡时的姿态识别性能。此外，NE-LiDARCap通过利用背景点云扩展了原始LiDARCap架构，实现了更鲁棒的人体姿态估计；而LiveHPS则针对含噪声或部分遮挡点云的场景引入知识蒸馏机制，提升了估计的稳定性。 尽管这些研究已经证明了基于LiDAR的三维人体姿态估计的可行性，但大多数方法依赖基于PointNet++的直接三维点处理，这需要高昂的计算成本和内存占用。该问题源于多阶段采样和迭代邻域点操作[^17]，因此这类方法在资源受限且要求实时处理的自动驾驶环境中部署存在局限性。为缓解这些挑战，学界提出了多种替代方案。LPFormer [^18]通过Transformer架构将三维点特征与二维鸟瞰图（BEV）信息相结合。VoxelKP [^19]将三维LiDAR点云转换为 --- 体素表示，并采用了基于稀疏卷积的网络。与此同时，LidPose [^20]将点云转换为距离视图表示，并修改了ViTPose架构，使得即使在非重复循环扫描（NRCS）LiDAR传感器的稀疏点模式下，也能实现有效的姿态估计。 像LidPose这类基于二维表示的方法，作为三维数据处理的轻量级解决方案，在计算效率方面是颇具前景的替代方向。这类方法通过将点云转换为距离图像或深度图像，大幅降低了计算成本，同时还可以利用成熟的二维卷积神经网络架构。但现有的基于二维表示的LiDAR研究主要聚焦于目标检测或语义分割，在充分建模人体骨骼结构方面存在局限[^21] [^22] [^23] [^24]。就LidPose而言，其研究重点是稀疏NRCS LiDAR传感器环境下的姿态估计，而非轻量实现；当LiDAR观测不足，或因身体部分遮挡导致深度信息缺失时，它估计三维关节坐标的性能十分有限。 因此，尽管现有研究已在准确率方面取得成果，但其在低延迟性能和计算效率上仍不适用于自动驾驶环境。此外，虽然目前已有利用2D表示的轻量化方法，但将这类方法有效应用于人体姿态估计的研究仍不够充分。具体而言，基于2D表示的方法中，针对自遮挡场景的补偿研究仍然十分有限。在基于投影的流程中，深度图仅保留最前端的表面信息，往往会压缩或扭曲重叠关节之间的空间关系。这种结构特征会让自遮挡问题更加突出，在点密度有限的长距离自动驾驶场景中尤其明显。因此，要实现实际部署，必须同时解决轻量化设计和自遮挡鲁棒性两大问题。 因此，本文针对自动驾驶环境提出了一种基于激光雷达的轻量化3D人体姿态估计方法，专门用于解决基于2D投影表示带来的计算限制和自遮挡问题。本文主要贡献如下： - 我们针对基于激光雷达的3D人体姿态估计提出了一种轻量化设计，将2D姿态估计与基于深度的3D提升相结合，实现高效的3D关节重建。 - 我们提出了一种算法，用于补偿投影到2D表示过程中产生的自遮挡问题。该算法可以校正深度图生成过程中丢失的3D关节坐标，还可扩展用于补偿现有激光雷达传感器观测特性本身固有的局限性。 本文其余部分结构安排如下：第2节描述本文提出的基于激光雷达的轻量化3D人体姿态估计方法及其模块；第3节介绍实验设置并开展性能分析；第4节给出结论与未来研究方向。 ### 2. 研究方法 #### 2.1. 方法设计 ##### 2.1.1. 整体结构 为了在满足自动驾驶部署要求的同时保留必要空间结构、实现计算高效性，本文提出的框架将计算密集型的基于3D点的处理替换为基于2D投影的表示。该设计 --- 能够支持使用成熟的轻量化2D姿态估计架构，之后再通过基于深度的提升策略完成3D重建。 图1展示了本文提出方法的整体结构。输入为人体点云数据 [^25]，输出为17个3D关节坐标。首先，将激光雷达点云转换为2D深度图以简化输入表示，随后将深度图输入2D人体姿态估计网络MoveNet [^26]，估计17个关节的2D关键点。这些关键点随后通过基于深度的提升过程变换到3D空间，形成了一套简洁高效的3D关节估计流程。 ![Image](images/943a96dc9a28b4f63eaf4fb4d4f142e6c35fba74d4df23c82228bfe3cda80e71.jpg)
Figure 1. Overall structure of the proposed LiDAR-based lightweight 3D human pose estimation method. LiDAR point clouds are converted into depth images, from which 2D human keypoints are estimated using a lightweight pose estimator. The keypoints are lifted to 3D joint coordinates, followed by a rule-based self-occlusion correction module.
在升维阶段完成后，针对二维投影过程中产生的自遮挡效应，本文结合基于规则的几何校正算法与数据驱动校准对其进行处理。该模块可补偿由身体部位重叠或深度压缩导致的关节位置畸变或缺失问题。校正过程利用解剖对称性和统计关节长度先验，优化结构不一致的关节，同时在挑战性的自遮挡场景下保持姿态一致性。 ##### 2.1.2. 基于深度的二维姿态估计 从激光雷达LiDAR获取的人体点云数据被投影到相机坐标系下的二维平面，通过为每个像素分配深度值生成深度图像。由于点云数据是无网格结构的三维非结构化数据，特征提取过程的计算复杂度会升高。与之相比，转换为深度图像可以在保留二维网格结构优势的同时，为每个像素融入深度信息，从而高效表示三维空间信息。此外，基于二维图像的姿态估计领域已对轻量网络架构开展了大量研究，深度图像可直接利用这些现有二维姿态估计模型，这是其一大优势。本研究利用Open3D提供的投影函数将点云转换为深度图像 [^27]。本研究配置了虚拟针孔相机模型，从固定正前方视角对点云进行渲染，随后捕获深度缓冲区以生成逐像素深度图像。生成的深度图像经归一化处理后转换为8位图像，并 --- 随后在中心区域周围进行裁剪，以匹配姿态估计网络的输入尺寸$192 \times 192$。 深度图像随后被用作二维关键点估计的输入。本研究利用从SMPL模型生成的伪二维关键点标签对深度图像进行重训练，采用MoveNet完成估计任务。MoveNet是一种基于卷积神经网络CNNs的轻量姿态估计模型。得益于其CNN架构，该模型可以有效捕捉人体深度的边缘特征。这一特性使得MoveNet在深度图像中仍能保持鲁棒性，而深度图像的视觉线索本就比RGB图像更为有限。此外，MoveNet非常适合实时姿态估计和资源受限的应用环境。图2展示了本文所提方法的数据转换流程。 ![Image](images/577bd287433ea50d9472bf204155b1f77bafface73c69a90e3ca634ef281ad49.jpg)
(a)
![Image](images/77aa4f64fcf973bb7a4ce1ccf7c07cddb86f7918cab460ab00d1deff6b844ef3.jpg)
(b)
![Image](images/10e4df9d33c4d703c06413172f1be1c66b9afb662e677f726c62f6c31aa38fdc.jpg)
(c)
![Image](images/e9ebf3082aea5473fcfef9d110774323c1c48a793815fd241b4635751bd8274e.jpg)
(d)
Figure 2. Depth image projection for 2D human pose estimation. (a) RGB image, (b) the corresponding human point cloud with color-coded depth values, where red indicates closer regions and blue indicates farther regions, (c) the projected depth image used as the actual input to MoveNet, where yellow corresponds to greater distances and green corresponds to shorter distances, and (d) 2D human keypoints estimated from the depth image, where the same color encoding is applied, with yellow indicating farther regions and green indicating closer regions.
##### 2.1.3. 基于深度的三维升维 完成二维关键点估计后，本文开展三维升维过程，利用深度图像中的深度信息重建三维关节坐标。对于每个二维关键点，将对应像素位置的深度值赋值为z坐标，得到三维关节。由于单个像素的深度值可能因传感器噪声或自遮挡而不稳定，因此从以关节位置为中心的局部窗口采样深度值，以获得更可靠的估计。如果无法获得有效深度信息，则将该关节深度暂时设为零，随后利用相邻关节信息进行校正，以缓解深度突变问题。该策略无需引入额外的三维回归网络即可提升深度可靠性，在保持整体方法轻量设计的同时实现稳定的三维重建。图3展示了一个三维升维结果的示例。 #### 2.2. 自遮挡校正算法 在深度图像中，仅记录了目标最前端表面的深度信息，这会引发自遮挡问题：在侧视姿态或弯曲姿态下，身体部位相互重叠，导致部分关键点的深度信息丢失。在这类情况下，仅基于深度的简单三维提升方法无法实现准确的三维姿态估计。 针对该问题，本研究基于Human3.6M（H36M）[^28]骨骼定义，提出了一种利用人体几何结构的自遮挡校正方法。图4展示了本文所提方法使用的H36M骨骼详细索引，算法1给出了所提自遮挡校正算法对应的伪代码。算法1采用了两个结构假设：第一，左右 --- 上身关节在H36M骨骼定义中以脊柱为中心对称分布。第二，虽然上身各关节之间的距离绝对值并不完全相同，但可将其建模为属于比例缩放系统的参考长度。通过利用这些假设，该算法可以校正深度图像转换过程中被遮挡或发生畸变的关节位置。该算法采用基于规则的设计思路，在保持方法轻量性的同时，能够在自遮挡场景下实现鲁棒的三维关节重建。此外，由于激光雷达传感器的特性，本文所提方法预计不仅适用于本文提出的方法，还可推广到其他面临类似挑战的基于激光雷达的三维姿态估计模型中。 ## 算法1：自遮挡校正算法 1 输入：3D关节坐标 $kp \in R^{17 \times 3}$ 2 输出：校正后的3D关节坐标 kp 3 $spine\_length \leftarrow ||kp_8 - kp_7||/4$; 4 $leg\_length \leftarrow ||kp_0 - kp_1||/2$ 5 $is\_side \leftarrow false$; 6 侧遮挡校正： 7 if $\left|\left|\mathrm{kp}_{11}^{xy}-\mathrm{kp}_{14}^{xy}\right|\right| < spine\_length$ then 8 $is\_side \leftarrow true$; 9 if $kp_{10}^{x} \geq kp_{8}^{x}$ then 10 符号 $\leftarrow +1$; 11 else 12 符号 $\leftarrow -1$; 13 if $|kp_0 - kp_1| < spine\_length$ then 14 $kp_{1:3}^{z} = sign \cdot spine\_length \cdot 2.6$; 15 if $|kp_0 - kp_4| < spine\_length$ then 16 $kp_{4:6}^{z} + = sign \cdot spine\_length \cdot 2.6$; 17 if $|kp_1 - kp_4| < spine\_length$ then 18 $kp_{1:3}^{z} = sign \cdot spine\_length \cdot 2.6$; 19 $kp_{4:6}^{z} + = sign \cdot spine\_length \cdot 2.6$; 20 if $|kp_8 - kp_{14}| < spine\_length$ then 21 $kp_{14:16}^{z} = sign \cdot spine\_length \cdot 2.6$; 22 if $|kp_8 - kp_{11}| < spine\_length$ then 23 $kp_{11:13}^{z} + = sign \cdot spine\_length \cdot 2.6$; 24 if $|kp_{11} - kp_{14}| < spine\_length$ then 25 $kp_{14:16}^{z} = sign \cdot spine\_length \cdot 2.6$; 26 $kp_{14:16}^{z} = sign \cdot spine\_length \cdot 2.6$; 27 弯腰姿态校正： 28 if $is\_side = false$ and $kp_9^y \geq kp_8^y$ then 29 $kp_{7:16}^{z} = leg\_length \cdot 3.4$; 30 $kp_{8:16}^{z} = leg\_length \cdot 3.2$; 31 $kp_{9:10}^{z} = leg\_length \cdot 1.6$; 32 $kp_{10}^{z} = leg\_length \cdot 1.6$; 33 返回 kp --- ![Image](images/b13dfd564abbc242fd8496e91766c522cc9493a9c4d7945fb266a8c6ee723686.jpg)
(a)
![Image](images/b47dae8d60dcb44ec16af76ff1ef58781f0bd62e04ab518fd26851dcaccd73c1.jpg)
(b)
Figure 3. Depth-based 3D lifting of estimated 2D keypoints. (a) 2D keypoints estimated by MoveNet, and (b) corresponding 3D joint coordinates reconstructed by 3D lifting process. The ground truth is shown in blue, and the predicted pose is shown in red.
![Image](images/f9c48017311dbbea98d24e702d0927905ec437e3dfcf47502168b262a8fa631b.jpg)
Figure 4. Skeleton-based design of the self-occlusion correction algorithm. H36M skeleton representation.
### 2.2.1 侧遮挡 首先，在侧视姿态下，身体关节沿观测方向重叠，仅记录了身体前侧表面的深度值。因此，对侧身体关节的深度值会被压缩，导致人体的深度结构丢失。为了识别侧遮挡，本文通过对比两个肩膀二维投影坐标之间的距离与脊柱长度，定义了如下判定条件。脊柱长度被定义为脊柱与胸廓关节之间距离的四分之一。 $$ \parallel\mathrm{P}_{s h}^{L}-\mathrm{P}_{s h}^{R}\parallel_{2}<\frac{1}{4}\parallel\mathrm{K}_{s p i n e}-\mathrm{K}_{t h o r a x}\parallel_{2}, $$ $P_{sh}^{L}$ 和 $P_{sh}^{R}$ 分别代表左肩和右肩关节的二维投影坐标。$K_{spine}$ 和 $K_{thorax}$ 分别表示脊柱关节和胸廓关节的坐标。当满足上述条件时，该姿态被归类为侧遮挡，这意味着 --- 左右肩关节之间的投影距离相比脊柱长度足够小，说明深度图像转换过程中身体部位极有可能发生了重叠。 识别出侧面遮挡后，我们利用特定特征确定人体的前后方向。在H36M骨骼结构中，自然站立姿态下头部关节通常位于胸部关节的前方。因此，我们利用从胸部指向头部的方向来确定人体的正向朝向。随后，将脊柱设为参考轴，再沿前后方向调整上下半身关节的深度坐标（z轴）。该调整假设人体左右宽度对称。 深度校正的参考尺度设定为脊柱长度，定义为脊柱与胸部关节之间距离的四分之一。对数据集中关节长度的统计分析显示，单肩宽度的平均相对长度约为脊柱长度的2.6倍。据此，对于肩部和髋关节，以约2.6倍脊柱长度为参考进行深度校正。此外，为了维持关节之间相对位置关系的一致性，相同的深度校正值会传播到与肩部和髋部相连的下级关节。 #### 2.2.2. 弯曲遮挡 在上半身前倾的弯曲姿态中，上半身关节在观察方向上发生重叠，仅记录了身体前表面的深度值。这导致上半身关节的深度值被压缩，丢失了上半身的深度结构。为了识别弯曲遮挡，我们利用胸部关节与颈部关节之间的垂直位置关系定义了如下判定条件，该条件仅适用于未被归类为侧面遮挡的情况。 $$ Bending=\left\{\begin{aligned}1,&\quad if(\neg side~occlusion)\cap\left(\mathbf{K}_{thorax}^{(y)}\leq\mathbf{K}_{neck}^{(y)}\right)\\ &0,&\quad otherwise\end{aligned}\right. $$ $K_{(y)}^{thorax}$和$K_{(y)}^{neck}$分别表示坐标系中胸部关节和颈部关节的高度。该条件反映了弯曲姿态中头部下降的特征。识别出弯曲遮挡后，我们对上半身各分段分别进行深度校正。根据数据集中的关节长度统计，将右髋与髋部之间的长度设定为参考尺度。分析结果显示，髋部到脊柱分段的平均相对长度约为参考长度的1.7倍，脊柱到胸部分段的平均相对长度约为参考长度的1.6倍，而脊柱上方的颈部分段（胸部到头部）平均相对长度约为参考长度的0.8倍。据此，针对弯曲姿态中深度失真严重的上半身，我们对脊柱关节和胸部关节分别应用约1.7倍和1.6倍参考长度的深度校正，对颈部分段应用约0.8倍参考长度的深度校正。这种分段校正的目的是根据数据驱动的解剖学比例，恢复被弯曲压缩的上半身深度结构。校正后的深度值会依次传播到其下属关节，以维持相对位置关系。 --- ### 3. 实验 #### 3.1. 实验设置 为了在自动驾驶约束下验证所提出的基于激光雷达的轻量化三维人体姿态估计框架，我们开展了全面实验，重点同时关注姿态精度与计算效率。现有方法主要通过计算密集型的三维点处理来追求最优精度，与之不同，我们的评估设计旨在探究结构姿态一致性与轻量化实现之间的权衡。首先，我们通过与现有模型对比，评估了三维人体姿态估计的性能与效率特性。其次，我们开展了消融实验，分析所提出的自遮挡校正算法的有效性。 本实验使用了LiDAR Human26M [^7]，这是一个基于激光雷达的三维人体姿态基准数据集。该数据集包含13名受试者在户外环境下完成20类日常动作的运动序列，受试者到传感器的距离范围为12 m至28 m。数据在两个场景中采集，使用安装在不同高度（5 m和7 m）的固定激光雷达传感器，得到了多样化的视角和俯仰角。激光雷达点云与基于IMU的运动捕捉数据同步，由此可获得单个受试者的真值SMPL参数。该数据集已官方划分为训练集、验证集和测试集，本研究遵循官方划分方案。所有性能评估仅在测试集上开展，训练集和验证集仅用于MoveNet的超参数调优以及校正算法的参数调整。 精度评估采用平均关节位置误差（MPJPE）、普洛克路斯忒斯对齐MPJPE（PA-MPJPE），以及关节到真值距离低于躯干长度50%的正确关节占比（PCK0.5）三个指标。 - MPJPE：预测关节坐标与真值之间的平均欧氏距离。 PA-MPJPE：通过刚性对齐消除旋转和尺度差异影响后的MPJPE。 PCK0.5：误差在躯干长度50%以内的关节占比。 模型的轻量化特性和效率通过模型参数量和每秒帧率（FPS）进行衡量。模型参数量使用PyTorch（版本2.0.1）中实现的model.parameters()函数计算 [^29]。FPS测量在NVIDIA RTX 3090环境下开展，仅统计三维姿态估计部分的耗时，不包含预处理流程。虽然FPS值会随所用硬件性能变化，但所有方法都在同一环境下评估，以保证分析聚焦于相对效率。 #### 3.2. 性能与效率评估 表1展示了所提方法的性能与效率。实验结果显示，本文方法的PA-MPJPE约为108.5 mm，这证实单个关节层面确实存在较大的位置误差。但模型在PCK0.5指标上取得了89.6%的准确率，说明绝大多数关节的位置误差都处于与身体尺度成比例的允许范围内。这些结果表明，虽然所提模型在高精度关节位置重建方面存在局限，但整体骨骼结构保持完好，未发生明显崩塌。值得注意的是，本文的姿态提升过程依赖激光雷达像素深度，该方式测量的是可见表面点而非精确的关节中心，这种差异会引入系统偏移，进而可能导致MPJPE和PA-MPJPE数值升高。 ---
Table 1. Performance and efficiency results.
ModelMPJPE (mm)PA-MPJPE (mm)PCK0.5ParametersFPS (GPU)
LiDARCap [^12]79.3166.7295.0034.93 M138.86
LiDARCapV2 [^14]73.2163.4296.02--
NE-LiDARCap [^15]72.2361.6795.79--
LPFormer [^18]95.7279.0394.87--
Ours138.1108.589.61.9 M440
为进一步分析结构一致性，我们在表2中报告了按身体部位划分的PA-MPJPE结果。躯干区域（髋部、脊柱、胸廓、肩部和臀部）的误差为93.05 mm，头部区域（头部与颈部）的误差为88.55 mm，均低于整体平均水平。与之相反，四肢部位的误差更大，其中手臂为158.28 mm，腿部为120.05 mm。这一趋势表明，本文提出的模型对中心身体结构的重建更为可靠，而外围关节的精度相对较低。由于躯干和头部决定了人体的全局朝向与结构稳定性，这些区域更低的误差对保持整体姿态一致性贡献显著。上述结果表明，本文提出的模型能够保留全局骨骼结构。
Table 2. Body-part-wise PA-MPJPE (mm).
Body PartJointsPA-MPJPE (mm)
Torsohip, spine, thorax, rshoulder, lshoulder, rhip, lhip93.05
Headhead, neck88.55
Armsrelbow, rwrist, leibow, lwrist158.28
Legsrknee, lknee, rfoot, lfoot120.05
为进一步评估感知距离对姿态估计精度的影响，我们按照被测对象到传感器的距离对测试集样本进行分组分析，结果汇总于表3。测试样本被划分为近距（12–17 m）、中距（17–22 m）和远距（22–28 m）三个区间，并计算了每组的平均MPJPE与PA-MPJPE。近距、中距、远距区间的MPJPE值分别为138.9 mm、134.7 mm和149.9 mm，对应的PA-MPJPE值分别为109.5 mm、106.4 mm和115.7 mm。值得注意的是，中距区间的误差略低于近距区间，这可能是因为中等距离下点云密度更为稳定。尽管远距区间的误差略有上升，但整体波动幅度十分有限。中距与远距区间的MPJPE差值约为15 mm，说明距离对关节定位精度的影响适中。误差上升可归因于更远距离下点云密度降低，几何信息细节减少。尽管如此，性能下降幅度相对较小，表明本文提出的模型在不同感知距离下仍能保持稳定的结构重建效果。上述结果进一步证明，即使在LiDAR观测距离发生变化的情况下，本文提出的方法仍能保留全局骨骼结构。 与此同时，计算效率与结构轻量化特性和关节位置精度存在权衡关系。本文模型的总参数量为1.9 M，与现有方法LiDARCCap（34.93 M）相比减少了约18倍。在GPU环境下的推理速度可达440 FPS，相较现有方法（138.86 FPS）提升了3倍以上。现有基于LiDARCCap的模型在GPU环境下也能达到约138 FPS的高处理速度，但它们在CPU环境下的实际实时运行能力受限。 --- 环境。这是因为它们高度依赖GPU并行计算，该特性源于其基于PointNet++的点采样与聚合操作结构。
Table 3. Distance-wise evaluation results.
Distance Range (m)SamplesMPJPE (mm)PA-MPJPE (mm)
Near (12–17 m)8963138.9109.5
Mid (17–22 m)11,872134.7106.4
Far (22–28 m)3173149.9115.7
相比之下，本文提出的方法专为支持基于CPU的推理而设计。作为整个流程中计算量占比最大的部分，二维姿态估计阶段基于轻量的MoveNet架构构建。在实际Intel i9-12900K CPU环境中，单线程下可达到约11.6 FPS的处理速度。这一基于CPU的推理结果表明，所提模型即使在不配备高性能GPU的环境中也能正常运行，这一点与现有对GPU高度依赖的LiDAR方法存在显著差异。因此，本文提出的方法可作为行人姿态估计模块，应用于自动驾驶嵌入式系统或难以使用高性能GPU的低配置计算环境中。 #### 3.3. 消融实验 为了分析自遮挡校正算法的有效性，本文通过增减各校正模块开展了消融实验。基础配置为未应用任何自遮挡校正的基线模型，随后我们对比了单独添加各校正算法、同时应用所有校正算法的不同配置。表4给出了各配置的MPJPE与PA-MPJPE结果。图5和图6分别展示了侧遮挡校正和弯曲遮挡校正的效果。
Table 4. MPJPE and PA-MPJPE results for different self-occlusion correction configurations. The base configuration represents the model without correction modules, and "+" indicates that the corresponding correction module is added to the baseline model.
SettingSideBendingMPJPE (mm)PA-MPJPE (mm)
BaseXX152122
+SideOX140109
+BendingXO151121
+Side + Bending (Full)OO138108
仅应用侧遮挡校正时，MPJPE从152 mm降至140 mm，PA-MPJPE也从122 mm显著降低至109 mm，说明侧遮挡对整体关节误差影响显著，本文提出的校正算法可有效缓解侧遮挡问题。相比之下，仅应用弯曲遮挡校正时，MPJPE和PA-MPJPE的变化十分有限。但在同时应用侧遮挡校正与弯曲遮挡校正的完整配置中，模型取得了最优性能，MPJPE为138 mm，PA-MPJPE为108 mm。这两种校正使得模型在各类自遮挡场景下都能实现更稳定的姿态估计。上述消融结果表明，本文提出的自遮挡校正算法是可有效降低基于LiDAR的三维人体姿态估计中结构误差的核心组件。 --- ![Image](images/581ce00b0620ca891dec863b1fc0be2b6f6a1a2ae3563a1a43776adb85ee03a1.jpg)
(a)
![Image](images/88c3ce0534ddbe22467e3c329ba8b1f71a6a50fa9e5658445d7126a7f15d7c54.jpg)
(b)
![Image](images/e1ba282cd1d3f5bc0b97bc4de978e82b556e3d88fbe04f998a29fa6752571fbd.jpg)
(c)
Figure 5. Effect of side occlusion correction in the ablation study. (a) The actual human pose, (b) pose estimation without side occlusion correction, and (c) pose estimation with side occlusion correction, where the ground truth is shown in blue and the predicted pose is shown in red.
![Image](images/6d80a1c23aa6d22888c66d9f50664f2bddccb7a0f3c9e14b169b51997239a6e8.jpg)
(a)
![Image](images/8dfad1798671fc9768dc62892529e0347fde4f65e6949d20491dd3c6e3a7019e.jpg)
(b)
![Image](images/e65f489d7820a59292b3c75960c2ad6f23b84d0323912ad8836b88e3a36bfc78.jpg)
(c)
Figure 6. Effect of bending occlusion correction in the ablation study. (a) The actual human pose, (b) pose estimation without bending occlusion correction, and (c) pose estimation with bending occlusion correction, where the ground truth is shown in blue and the predicted pose is shown in red.
#### 3.4. 失败案例 尽管本文提出的方法整体表现稳定，我们仍观测到由纯深度输入的前后歧义性导致的代表性失败案例。 与RGB图像不同，转换后的深度图像仅包含人体轮廓和深度信息，不包含纹理、颜色或面部线索。在这种条件下，MoveNet可能会错误推断身体朝向。图7给出了此类失败的一个典型示例：该案例中，真值图像里的受试者面向传感器，但MoveNet预测出对应背向姿态的翻转二维关键点。由于三维提升网络直接依赖预测得到的二维关键点，这种方向误差会传播到重建后的三维姿态中。尽管三维姿态的整体结构视觉上与真值相似，但全局方向发生了反转。因此，该示例中的PA-MPJPE大幅上升至约221 mm。这类大误差主要源于朝向方向估计错误，而非显著的关节定位误差。在整个测试集的24008个样本中，共观测到67例此类方向错误，约占总案例数的0.28%。 --- ![Image](images/343043e33a628a759f4244c124d23c32c4f097115547490cecef4e0b3412aa16.jpg)
(a)
![Image](images/ad7caf096e07ce0ecf4aa4ca56b8f518cac4ea52fceb5c568c665d2214c50bdc.jpg)
(b)
![Image](images/fbf3ab3678f9a4332a86681a950e9bf408bfe000a403bd3dbce5eb0efb032164.jpg)
(c)
Figure 7. Failure case caused by front–back ambiguity in 2D pose estimation. (a) The actual human pose. (b) MoveNet fails to distinguish front and back views, resulting in flipped 2D joints; the numbers correspond to the joint indices defined in Figure 4. (c) The flipped 2D joints propagate to an inverted 3D skeleton after lifting. The red skeleton indicates the pose predicted by the proposed method, while the blue skeleton represents the ground-truth 3D pose.
这种前后方向歧义对于依赖精准方向线索的下游任务尤为关键，这类任务包括行走方向估计和行人意图预测。研究结果表明，仅依赖深度信息的低分辨率输入本身就限制了可靠的前后方向辨别能力，因此可能需要额外增加方向感知机制或时间一致性约束来缓解这一问题。 ### 4. 结论 本研究提出一种面向激光雷达（LiDAR）人体姿态估计的轻量化方法：该方法先将三维点云投影为二维深度图像，再进行基于深度的三维提升过程。此外，本研究设计了自遮挡关节校正算法，以缓解自遮挡引发的深度畸变。实验结果表明，本方法的PA-MPJPE为108.5 mm，PCK0.5准确率为89.6%，说明尽管存在关节级误差，整体骨骼结构仍基本保持完整。所提模型仅含1.9 M参数，在GPU上推理速度可达440 FPS，具备优异的计算效率。此外，与基础配置相比，应用自遮挡校正算法后MPJPE和PA-MPJPE分别降低了9.2%和11.5%，验证了该算法的有效性。 未来工作中，我们将研究本方法在真实自动驾驶场景常见的稀疏低分辨率激光雷达条件下的鲁棒性与泛化能力。我们还计划通过探索方向感知建模策略，解决仅深度姿态估计中的人体方向歧义问题。此外，我们将基于来自更多样人群和姿态变化的统计特征扩展自遮挡校正模块。最后，我们将把本方法拓展至复杂城市环境下的场景级多人跟踪与交互分析方向，集成行人行为与意图预测模块，同时保持适合实时部署的轻量化架构。 作者贡献：概念构思：S.-H.C.、S.-M.P.；方法设计：S.-H.C.、S.-M.P.；实验验证：G.-Y.K.、S.P.、S.L.、B.S.；初稿撰写：G.-Y.K.、S.-H.C.、S.-M.P.；审稿编辑：S.-H.C.、S.-M.P.；可视化：G.-Y.K.、S.P.、S.L.、B.S.；指导：S.-M.P.；项目管理：S.-M.P.；资金获取：S.-M.P.。所有作者均已阅读并同意本手稿的发表版本。 --- 资金资助：本研究部分得到韩国国家研究基金会（NRF）由韩国政府（MSIT）资助项目（RS-2025-23523897）支持；部分得到韩国教育部资助的韩国国家研究基金会（NRF）全球学习与学术研究机构硕博及博士后项目（G-LAMP）（RS-2025-25442252）支持；部分得到韩国科学技术信息通信部（MSIT）信息与通信技术规划与评价研究院（IITP）监督的信息技术研究中心（ITRC）支持项目（IITP-2025-RS-2020-II201847）支持。 机构审查委员会声明：不适用。 知情同意声明：不适用。 数据可用性声明：本研究使用的数据集为公开可获取的LiDAR Human26M数据集，可通过公开访问（访问时间：2026年3月2日）。 利益冲突：作者声明不存在利益冲突。 ## 参考文献 [^1]: Schuetz, E.; Flohr, F.B. A Review of Trajectory Prediction Methods for the Vulnerable Road User. Robotics 2023, 13, 1. [CrossRef] [^2]: Jiang, J.; Yan, K.; Xia, X.; Yang, B. A Survey of Deep Learning-Based Pedestrian Trajectory Prediction: Challenges and Solutions. Sensors 2025, 25, 957. [CrossRef] [PubMed] [^3]: Kooij, J.F.P.; Schneider, N.; Flohr, F.; Gavrila, D.M. Context-Based Pedestrian Path Prediction. In Proceedings of the Computer Vision—ECCV 2014, Zurich, Switzerland, 6–12 September 2014; Springer International Publishing: Cham, Switzerland, 2014; pp. 618–633. [CrossRef] [^4]: Kloukiniotis, A.; Papandreou, A.; Lalos, A.; Kapsalas, P.; Nguyen, D.-V.; Moustakas, K. Countering Adversarial Attacks on Autonomous Vehicles Using Denoising Techniques: A Review. IEEE Open J. Intell. Transp. Syst. 2022, 3, 61–80. [CrossRef] [^5]: Fang, Z.; López, A.M. Is the Pedestrian Going to Cross? Answering by 2D Pose Estimation. In Proceedings of the 2018 IEEE Intelligent Vehicles Symposium (IV), Changshu, China, 26–30 June 2018; IEEE: Gothenburg, Sweden, 2018; pp. 1271–1276. [CrossRef] [^6]: Zhang, S.; Abdel-Aty, M.; Wu, Y.; Zheng, O. Pedestrian Crossing Intention Prediction at Red-Light Using Pose Estimation. IEEE Trans. Intell. Transp. Syst. 2022, 23, 2331–2339. [CrossRef] [^7]: Cadena, P.R.G.; Yang, M.; Qian, Y.; Wang, C. Pedestrian Graph: Pedestrian Crossing Prediction Based on 2D Pose Estimation and Graph Convolutional Networks. In Proceedings of the 2019 IEEE Intelligent Transportation Systems Conference (ITSC), Auckland, New Zealand, 27–30 October 2019; IEEE: Toronto, ON, Canada, 2019; pp. 2000–2005. [CrossRef] [^8]: Li, N.; Pan, W.; Xu, B.; Liu, H.; Dai, S.; Xu, C. IHENet: An Illumination Invariant Hierarchical Feature Enhancement Network for Low-Light Object Detection. Multimed. Syst. 2025, 31, 407. [CrossRef] [^9]: Zheng, Z.; Cheng, Y.; Xin, Z.; Yu, Z.; Zheng, B. Robust Perception under Adverse Conditions for Autonomous Driving Based on Data Augmentation. IEEE Trans. Intell. Transp. Syst. 2023, 24, 13916–13929. [CrossRef] [^10]: Hasan, M.; Hanawa, J.; Goto, R.; Suzuki, R.; Fukuda, H.; Kuno, Y.; Kobayashi, Y. LiDAR-Based Detection, Tracking, and Property Estimation: A Contemporary Review. Neurocomputing 2022, 506, 393–405. [CrossRef] [^11]: Ohno, M.; Ukyo, R.; Amano, T.; Rizk, H.; Yamaguchi, H. Privacy-Preserving Pedestrian Tracking Using Distributed 3D LiDARs. In Proceedings of the 2023 IEEE International Conference on Pervasive Computing and Communications (PerCom), Atlanta, GA, USA, 13–17 March 2023; IEEE: New York, NY, USA, 2023. [CrossRef] [^12]: Li, J.; Zhang, J.; Wang, Z.; Shen, S.; Wen, C.; Ma, Y.; Xu, L.; Yu, J.; Wang, C. LiDARCap: Long-Range Marker-Less 3D Human Motion Capture with LiDAR Point Clouds. In Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), New Orleans, LA, USA, 18–24 June 2022; pp. 20502–20512. [CrossRef] [^13]: Jang, D.-K.; Yang, D.; Jang, D.-Y.; Choi, B.; Jin, T.; Lee, S.-H. MOVIN: Real-time Motion Capture Using a Single LiDAR. Comput. Graph. Forum 2023, 42, e14961. [CrossRef] [^14]: Zhang, J.; Mao, Q.; Shen, S.; Wen, C.; Xu, L.; Wang, C. LiDAR CapV2: 3D Human Pose Estimation with Human–Object Interaction from LiDAR Point Clouds. Pattern Recognition. 2024, 156, 110848. [CrossRef] [^15]: Zhang, J.; Mao, Q.; Hu, G.; Shen, S.; Wang, C. Neighborhood-Enhanced 3D Human Pose Estimation with Monocular LiDAR in Long-Range Outdoor Scenes. Proc. AAAI Conf. Artif. Intell. 2024, 38, 7169–7177. [CrossRef] ## [^16]: Ren, Y.; Han, X.; Zhao, C.; Wang, J.; Xu, L.; Yu, J.; Ma, Y. LiveHPS: LiDAR-Based Scene-Level Human Pose and Shape Estimation in Free Environment. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Seattle, WA, USA, 16–22 June 2024; pp. 1281–1291. [CrossRef] --- 17. Qi, C.R.; Yi, L.; Su, H.; Guibas, L.J. 《PointNet++：度量空间中点集的深度分层特征学习》，《神经信息处理系统进展》2017年，第30卷，第5099–5108页。在线获取地址：（访问时间：2026年1月20日）。 [^18]: Ye, D.; Xie, Y.; Chen, W.; Zhou, Z.; Ge, L.; Foroosh, H. LPFormer: LiDAR Pose Estimation Transformer with Multi-Task Network. In Proceedings of the 2024 IEEE International Conference on Robotics and Automation (ICRA), Yokohama, Japan, 13–17 May 2024; IEEE: New York, NY, USA, 2024; pp. 16432–16438. [CrossRef] 19. Shi, J.; Wonka, P. 《VoxelKP：面向激光雷达数据中人体关键点估计的基于体素的网络架构》，arXiv 2023，arXiv:2312.08871。在线获取地址：（访问时间：2026年1月20日）。 [^20]: Kovács, L.; Bódis, B.M.; Benedek, C. LidPose: Real-Time 3D Human Pose Estimation in Sparse Lidar Point Clouds with Non-Repetitive Circular Scanning Pattern. Sensors 2024, 24, 3427. [CrossRef] [PubMed] [^21]: Milioto, A.; Vizzo, I.; Behley, J.; Stachniss, C. RangeNet +++ Fast and Accurate LiDAR Semantic Segmentation. In Proceedings of the 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Macau, China, 3–8 November 2019; IEEE: New York, NY, USA, 2019. [CrossRef] [^22]: Ando, A.; Gidaris, S.; Bursuc, A.; Puy, G.; Boulch, A.; Marlet, R. RangeViT: Towards Vision Transformers for 3D Semantic Segmentation in Autonomous Driving. In Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Vancouver, BC, Canada, 18–22 June 2023; IEEE: New York, NY, USA, 2023. [CrossRef] [^23]: Chen, C.; Zhao, L.; Guo, W.; Yuan, X.; Tan, S.; Hu, J.; Yang, Z.; Wang, S.; Ge, W. FARVNet: A Fast and Accurate Range-View-Based Method for Semantic Segmentation of Point Clouds. Sensors 2025, 25, 2697. [CrossRef] [PubMed] [^24]: Yang, J.; Lee, C.; Ahn, P.; Lee, H.; Yi, E.; Kim, J. PBP-Net: Point Projection and Back-Projection Network for 3D Point Cloud Segmentation. In Proceedings of the 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Las Vegas, NV, USA, 25–29 October 2020; IEEE: New York, NY, USA, 2020. [CrossRef] [^25]: Mirzaei, K.; Arashpour, M.; Asadi, E.; Masoumi, H.; Bai, Y.; Behnood, A. 3D Point Cloud Data Processing with Machine Learning for Construction and Infrastructure Applications: A Comprehensive Review. Adv. Eng. Inform. 2022, 51, 101501. [CrossRef] [^26]: Kaushik, P.; Lohani, B.P.; Thakur, A.; Gupta, A.; Khan, A.K.; Kumar, A. Body Posture Detection and Comparison between OpenPose, MoveNet and PoseNet. In Proceedings of the 2023 6th International Conference on Contemporary Computing and Informatics (IC3I), Gautam Buddha Nagar, India, 14–16 September 2023; IEEE: New York, NY, USA, 2023. [CrossRef] 27. Zhou, Q.-Y.; Park, J.; Koltun, V. 《Open3D：面向三维数据处理的现代库》，arXiv 2018，arXiv:1801.09847。在线获取地址：（访问时间：2026年1月20日）。 [^28]: Ionescu, C.; Papava, D.; Olaru, V.; Sminchisescu, C. Human3.6M: Large Scale Datasets and Predictive Methods for 3D Human Sensing in Natural Environments. IEEE Trans. Pattern Anal. Mach. Intell. 2014, 36, 1325–1339. [CrossRef] [PubMed] 29. Paszke, A.; Gross, S.; Massa, F.; Lerer, A.; Bradbury, J.; Chanan, G.; Killeen, T.; Lin, Z.; Gimelshein, N.; Antiga, L.; 等人。《PyTorch：命令式风格的高性能深度学习库》，《神经信息处理系统进展》2019年，第32卷，第8024–8035页。在线获取地址：（访问时间：2026年1月20日）。 声明/出版者备注：所有出版物中所载的陈述、观点和数据均仅属于个人作者和贡献者，不代表MDPI和/或编辑方的立场。MDPI和/或编辑方不对因内容提及的任何观点、方法、说明或产品导致的人身伤害或财产损失承担责任。