{
  "paper_id": "113bf6aa2be389637515537cdb1c3e7f",
  "paper_title": "Three-Dimensional human motion analysis using LiDAR technology: A systematic review",
  "paper_authors": [
    "Jiaqi Lai",
    "Mohammad Yavari",
    "Peter Vee Sin Lee",
    "David C. Ackland"
  ],
  "publication_date": "2026",
  "publication_venue": "Journal of Biomechanics",
  "abstract": "3D Light Detection and Ranging (LiDAR) has gained increasing attention in the field of human motion analysis due to its capability to non-invasively capture dynamic 3D pose data. However, accurate extraction of motion information from sparse and unordered point clouds remains a considerable challenge. This study aimed to systematically review 3D LiDAR data processing methods for human motion analysis. The search employed five databases (Web of Science, Scopus, Medline, PubMed and Embase) to identify methods for 3D human motion detection using LiDAR data. Following screening of 752 articles, a total of 38 studies were included. Convolutional Neural Networks (CNNs) were the most commonly used algorithm for human detection from LiDAR data, while the PointNet family was widely employed in point cloud feature extraction for human joint position estimation. The CNN-based YOLOv3 model achieved the highest human detection precision (97.7%), while a fusion approach integrating 3D LiDAR data with four inertial measurement units achieved the lowest Mean Joint Position Error (30.0 mm). Use of a CNN-based Federated Learning framework with Dynamic Layer Sharing achieved the highest activity recognition accuracy (98%). Integrating deep learning techniques enables effective extraction of spatiotemporal motion patterns from raw, sparse, and unordered point clouds, enhancing LiDAR-based human motion analysis. Significant challenges still remain in improving the usability of 3D LiDAR systems, particularly in handling multi-person scenarios and ensuring robust human motion analysis in the presence of LiDAR occlusion.",
  "keywords": [
    "Joint kinematics",
    "Point cloud",
    "Motion detection",
    "Machine learning"
  ],
  "paper_institutions": [
    "University of Melbourne"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:46:53.970476Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本系统综述旨在系统梳理基于3D LiDAR技术的人体运动分析方法，重点涵盖人体检测、关节位置估计和日常活动识别三大任务。研究背景指出，传统标记点式光学运动捕捉系统成本高、受限于实验室环境，穿戴式IMU无法提供绝对位置，而视频系统存在隐私和光照敏感问题；3D LiDAR凭借非接触、无标记、对光照不敏感且不记录可识别面部特征的优势，成为新的人体运动捕捉手段，但其点云数据稀疏、无序且非结构化的特性给精确运动信息提取带来挑战。本文遵循PRISMA指南，检索了Web of Science、Scopus、Medline、PubMed和Embase五个数据库，共筛出752篇文献，最终纳入38项研究，并使用定制化质量评估清单（基于Downs & Black、QUADAS-2和PROBAST）对纳入研究进行评分，平均质量得分16.4（满分18），其中30项为高质量、8项为中等质量。在方法层面，预处理多采用背景减除、聚类（如DBSCAN、欧氏距离分割）和点云重采样（最远点采样）；人体检测以CNN（尤其是YOLOv3）为主，最优检测精度达97.7%；关节位置估计广泛使用PointNet/PointNet++作为特征提取骨干，并结合RNN（biGRU）、GNN（ST-GCN）和Transformer等时空建模模块，其中融合LiDAR与IMU的LIP模型在TotalCapture数据集上取得最低平均每关节位置误差（MPJPE）30.0 mm，在SLOPER4D上LiveHPS++取得77.0 mm的最优结果；活动识别最高准确率达98%，由基于CNN的联邦学习框架（动态层共享）实现。现有方法仍受限于多人员场景下的遮挡与身份切换、远端关节点云稀疏、缺乏解剖学关节坐标系定义以及高计算与存储开销等问题，未来研究应聚焦多模态融合（如LiDAR+IMU）、标准关节坐标系统集成、计算效率提升和多场景鲁棒性增强。\n### 关键要点\n- 本综述按照PRISMA指南进行，检索了5个数据库，从752篇文章中筛选出38项符合标准的研究，质量评估平均得分16.4（满分18）。\n- 纳入研究中，30项为高质量、8项为中等质量，无低质量研究；在验证、基准比较和代码可用性方面得分较低，平均分分别为1.6、1.8和1.1。\n- 3D LiDAR数据预处理的主要步骤为背景减除、聚类（DBSCAN、欧氏距离分割、均值漂移）和点云重采样（最远点采样），若与其他传感器融合还需坐标校准和时间同步。\n- 人体检测大多采用CNN模型，其中YOLOv3模型在KITTI等数据集上达到最高平均精度97.7%和召回率97.6%；融合RGB与LiDAR的几何对齐方法获得最高F1分数（0.95）。\n- 关节位置估计普遍使用PointNet/PointNet++编码器提取点云特征，并结合RNN（biGRU）、GNN（ST-GCN）和Transformer等模块捕捉时空动态。\n- 融合LiDAR与IMU的LIP模型在TotalCapture模拟点云上取得最低MPJPE（30.0 mm），较纯点云方法显著降低误差；在LiDARHuman26M数据集上也是最优。\n- 在SLOPER4D数据集上，LiveHPS++模型通过噪声不敏感的跨注意力速度预测器取得最低MPJPE（77.0 mm），明显优于现有基线。\n- LiDARCapV2模型采用PointNet+++biGRU+MLP+ST-GCN混合架构，在关节位置估计中取得最佳PCK（96.5%）并有效抑制噪声影响。\n- 活动识别研究中，基于CNN的联邦学习框架（FedDL）采用动态层共享策略，在多种日常活动分类中达到最高准确率98%。\n- 遮挡问题对检测性能有明显影响，当身体被遮挡超过一半时，平均召回率从0.902降至0.782；通过噪声增强和合成数据混合可提升鲁棒性，如LiveHPS++将jitter从68.8降至30.9。\n- 在40种日常活动识别中，基于ST-GCN的框架利用点云提取的骨架关键点进行时空建模，实现了精确的活动分类，验证了图神经网络在处理关节拓扑关系方面的有效性。\n- 现有方法在解剖学关节坐标系统（如ISB建议）方面实施不足，且点云数据存储开销大（60秒约1GB），限制了实时与边缘设备部署，未来需提高计算效率和标准化程度。"
}