{
  "paper_id": "157cf099bde324dc70a9d8c5ddd7283c",
  "paper_title": "Li2Former: Omni-Dimension Aggregation Transformer for Person Detection in 2-D Range Data",
  "paper_authors": [
    "Haodong Yang",
    "Yadong Yang",
    "Chenpeng Yao",
    "Chengju Liu",
    "Qijun Chen"
  ],
  "publication_date": "",
  "publication_venue": "IEEE Transactions on Instrumentation and Measurement",
  "abstract": "The sparsity of plane point clouds remains human detection based on 2-D LiDAR a challenging task. Recent deep learning-based methods have made significant progress, but their unidimensional feature modeling hinders the flow of information across different axes (i.e., temporal, spatial, and batched). Besides, convolution operators limit the effective receptive field (ERF) of the model. To promote multidimensional interaction, we propose an omni-dimensional aggregation (ODA) module composed of a main aggregation stream and an auxiliary feature stream to assist in the temporal–spatial joint encoding as well as implicitly models the potential relationships between samples. By cascading multiple ODA blocks, the semantic gaps between different features are gradually bridged. In addition, to improve network convergence and generalization, an adaptive focus mechanism (AFM) is designed to guide the model to optimize more on difficult samples instead of simple or low-quality samples. Extensive experiments demonstrate the effectiveness of the proposed pipeline, achieving 76.4% and 81.4% AP on the DROW and JRDB benchmark datasets, respectively, surpassing the existing state-of-the-art (SOTA) results. Competitive results are also achieved in inference speed. Furthermore, we successfully validate the proposed model through real-world environments. Our code is available at <https://github.com/ai-winter/Li2Former-v1>.",
  "keywords": [
    "2-D LiDAR",
    "deep learning",
    "human detection and tracking"
  ],
  "paper_institutions": [
    "Tongji University",
    "Michigan State University",
    "Tongji Artificial Intelligence (Suzhou) Research Institute"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:47:38.944736Z",
  "template_tag": "deep_read",
  "summary": "# Li2Former: Omni-Dimension Aggregation Transformer for Person Detection in 2-D Range Data\n\n\n**作者 / Authors:** Haodong Yang, Yadong Yang, Chenpeng Yao, Chengju Liu, Qijun Chen\n\n\n**单位 / Institutions:** Tongji University, Michigan State University, Tongji Artificial Intelligence (Suzhou) Research Institute\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n## Module A: Reading alignment and input validation\n\n### 1. Paper metadata\n\n- **Title:** Li2Former: Omni-Dimension Aggregation Transformer for Person Detection in 2-D Range Data\n- **Authors:**\n  - Haodong Yang (affiliation: Tongji University, Shanghai, China; M.S. candidate in Control Science and Engineering)\n  - Yadong Yang (Tongji University; M.S. candidate in College of Electronics and Information Engineering)\n  - Chenpeng Yao (Tongji University; Post-Doctoral Researcher at Postdoctoral Station of Mechanical Engineering, School of Automotive Studies)\n  - Chengju Liu (Tongji University; Professor)\n  - Qijun Chen (Tongji University; Professor; Senior Member, IEEE)\n- **Publication venue (journal/conference/year/level):** The document does not explicitly state the venue or year; based on IEEE style and author affiliations, it appears to be an IEEE journal article (possibly IEEE Transactions on Instrumentation and Measurement), but this is uncertain. Level unknown.\n\n### 2. Research positioning\n\n- **Research area:** 2-D LiDAR-based person detection; deep learning; Transformer architecture; human-robot interaction.\n- **Concrete task:** Detecting pedestrian positions and confidence scores from sparse 2-D range data (planar point clouds) using historical scan sequences.\n- **Target users or application scenario:** Service robots in healthcare, security monitoring, and human-robot interaction environments; real-time pedestrian detection on mobile robots with 2-D LiDAR sensors.\n\n### 3. Input material checklist\n\n- **PDF:** Yes (provided document).\n- **Appendix / supplement:** Not mentioned in the provided content.\n- **Code link:** Yes: <https://github.com/ai-winter/Li2Former-v1>\n- **Dataset link:** Not explicitly provided; DROW and JRDB datasets are referenced, but no direct URLs are given.\n\n### 4. Missing materials and risks\n\n- **Missing items:**\n  - Exact publication date and venue (journal/conference/volume/issue) are not included.\n  - Supplementary materials or appendices are not provided.\n  - Direct links to datasets (DROW, JRDB) are not provided.\n  - Full implementation details may be incomplete (e.g., hyperparameter sensitivity, detailed network sizes).\n- **Likely impact:** Without the exact venue/date, citation and positioning may be incomplete. Lack of supplementary details may limit reproducibility, but the provided code link partially mitigates this. Dataset links would help in replicating experiments.\n\n### 5. Reading route (3-6 steps)\n\n- **Step 1:** Skim abstract, introduction, and conclusion to grasp the core idea, contributions, and overall performance claims (Sections I and V).\n- **Step 2:** Read Section III (Approach) to understand the proposed ODA module, two-stream training, time pooling, and AFM mechanism; focus on equations and figures (Fig. 1, Fig. 2, Fig. 3).\n- **Step 3:** Examine Section IV (Experiments) to validate quantitative results (Table I), ablations (Tables II-V), and qualitative visualizations (Figs. 4-7); note implementation details and real-world deployment (Fig. 8, Table VI, Fig. 9).\n- **Step 4:** Revisit related work (Section II) to position contributions against existing methods (DROW, DR-SPAAM, self-supervised approaches).\n- **Step 5:** Optionally, inspect the code repository for reproducibility and additional implementation insights.\n\n### Classification rationale\n\n- **paper_archetype: method** – The paper proposes a new algorithm/architecture (Li2Former) incorporating an omni-dimensional aggregation module and an adaptive focus mechanism, focused on improving 2-D LiDAR person detection; it is not a survey or systems paper.\n\n\n## 模块 B：第一遍鸟瞰扫描（类别/上下文/正确性/贡献/清晰度） / Module B: First Pass Overview (category, context, correctness, contribution, clarity)\n\n## Module B: 第一遍概览\n\n### 1. 论文类型与类别\n\n- **类型**：方法学论文（提出新算法/架构）。\n- **研究领域**：2-D LiDAR行人检测、深度学习、Transformer架构、人机交互。\n- **具体任务**：从2-D范围数据（平面点云）中检测行人位置和置信度，利用历史扫描序列。\n- **应用场景**：服务机器人（医疗、安防）、移动机器人实时行人检测。\n\n### 2. 背景与研究背景\n\n- **问题**：2-D LiDAR平面点云稀疏，导致行人检测困难。传统基于手工模板的方法在复杂场景（遮挡、运动噪声）下失效。\n- **现有深度学习方法**：DROW（1-D CNN）、DR-SPAAM（时间门控机制）等，但主要存在两点不足：\n  1) 仅建模单一维度（空间或时间），未利用批次维度；\n  2) 卷积算子受限于有效感受野，难以捕获长距离依赖。\n- **本文动机**：借鉴Transformer在3-D点云分析中的成功，将其迁移到2-D范围数据，设计全维度（时间、空间、批次）聚合模块，并引入自适应聚焦机制提升训练效率。\n\n### 3. 直观正确性检查（关键假设及合理性）\n\n- **假设1**：历史帧时间信息有助于当前帧行人检测。\n  - 合理性：行人的运动轨迹与历史状态相关，现有方法（如DR-SPAAM）已证明其有效性，合理。\n- **假设2**：空间中相邻点云的结构关系（形状轮廓）蕴含行人特征。\n  - 合理性：2-D点云中行人腿、膝盖等轮廓可用于区分，传统方法基于此，合理。\n- **假设3**：批次内样本间的相关性可作为内部数据增强，提升稀疏特征的学习。\n  - 合理性：BatchNorm和BatchFormer等已证明样本关系有助于鲁棒表示学习，合理。\n- **假设4**：Transformer全局注意力可扩大有效感受野，但收敛慢，需聚焦机制。\n  - 合理性：Transformer在视觉任务中通常需要较长训练，聚焦机制可加速，合理。。\n\n### 4. 核心贡献（3-5条）\n\n1) **提出全维度聚合（ODA）模块**：通过双流训练（主聚合流+辅助特征流）实现时间、空间、批次维度的特征融合，推理时可去除辅助流，避免训练-测试不一致。\n2) **设计自适应聚焦机制（AFM）**：基于高斯分布的损失加权，对困难样本给予更大梯度增益，提升收敛速度和泛化能力（见Section III-D, 图3）。\n3) **在DROW和JRDB数据集上达到SOTA**：AP_0.5分别达76.4%和81.4%（见Table I）。\n4) **开源代码和ROS节点**：提供PyTorch实现和用户友好的ROS接口，便于实际部署（见摘要和网页）。\n5) **真实环境验证**：在差动轮式机器人上部署，证明模型实用性（见Section IV-E）。\n\n### 5. 清晰度评估（结构、图表、公式、可读性）\n\n- **结构**：标准学术结构（引言、相关工作、方法、实验、结论），章节划分清晰，逻辑连贯。\n- **图表**：图1展示了ODA模块概念，图2展示了整体架构，图3展示AFM权重曲线，图4-7为实验结果和消融可视化，图8-9为真实环境，表格详细（Table I-VI）。图表对理解方法有重要帮助。\n- **公式**：关键公式编号清晰（如cutout窗口角度公式、损失函数等），但部分公式排版略有误差（如公式中的混淆），整体可读。\n- **可读性**：语言通顺，技术术语使用恰当，但部分内容重复（如摘要与引言重叠），可为更紧凑。总体清晰，容易跟随。\n\n### 6. 继续或停止建议（明确建议及理由）\n\n- **建议**：**继续深入阅读**（进行Module D和E）。\n- **理由**：本文提出新架构和训练策略，且实验充分，需要深入理解ODA和AFM的设计细节、消融分析，以及方法论潜在的局限和可改进点，以便完整评估其贡献和适用性。\n\n### 7. 结构大纲图（使用Markmap）\n\n```markmap\n# Li2Former 论文概览\n## 引言与背景\n- 问题：2-D LiDAR稀疏性\n- 现有缺陷：单一维度、卷积局部性\n- 贡献总结\n## 相关工作\n- 2-D Range行人检测\n- 点云Transformer\n## 方法（Section III）\n- 问题公式化\n- 平面点云主干（Cutout + 1-D CNN）\n- 全维度聚合（ODA）\n  - 双流训练\n  - 时间特征提取器（T-Encoder）\n  - 批次-空间特征提取器（BS-Encoder）\n  - 时间池化与预测\n- 自适应聚焦机制（AFM）\n  - 样本分类（简单/困难/无效）\n  - 高斯权重公式\n  - 损失函数\n## 实验（Section IV）\n- 数据集（DROW, JRDB）\n- 评估指标\n- 实现细节\n- 定量对比（Table I）\n- 定性可视化（Grad-CAM）\n- 消融研究\n  - ODA结构（Table II）\n  - 级联层数（Table III）\n  - 双流训练（图6）\n  - 时间池化（Table IV）\n  - AFM参数（Table V）\n- 真实世界部署（图8-9, Table VI）\n## 结论\n- 总结和未来工作\n```\n\n\n## 模块 C1：论文试图解决什么问题？ / Module C1: What problem does the paper try to solve?\n\n## 模块C1：论文试图解决什么问题？\n\n### 1. 一句话问题定义\n\n本文旨在解决基于2-D LiDAR的稀疏平面点云中行人检测问题，即如何从历史扫描序列中准确估计当前帧中所有潜在行人的位置和置信度。\n\n### 2. 痛点或缺陷（2-4条）\n\n- **一维聚合算子不足**：现有深度学习方法（如DROW、DR-SPAAM）仅关注空间或时间维度的特征建模，忽略了批量维度上的样本间相关性，导致信息融合不充分（见第I节、第II.A节）。\n- **局部卷积算子限制感受野**：平面点云本质上是1-D深度序列，卷积操作的局部性限制了有效感受野（ERF），难以捕获长距离依赖关系，影响全局表征（见第I节）。\n- **样本质量不均衡**：2-D LiDAR点云稀疏且存在遮挡、标注噪声等问题，简单样本、困难样本和无效样本并存，传统损失函数对所有样本一视同仁，导致模型收敛慢、泛化能力差（见第III.D节）。\n\n### 3. 正式目标或优化目标\n\n- **问题形式化**：给定2-D LiDAR扫描序列$\\mathcal{S} = \\{s_i^t | (\\rho_i^t, \\theta_i^t), i \\in \\mathcal{I}\\}, t=1,\\ldots,T$，预测当前时刻$t_c = T+1$的行人位置和置信度$\\mathcal{P} = \\{p_i^t | (\\rho_i^t + \\Delta\\rho_i, \\theta_i^t + \\Delta\\theta_i, \\psi_i^t)\\}$（见第III.A节）。\n- **优化目标**：最小化总损失$\\mathcal{L} = \\mathcal{L}_{cls} + \\tilde{\\mathcal{L}}_{reg}$，其中分类损失为二进制交叉熵，回归损失为AFM加权后的L2损失（见第III.D节公式(14)-(16)）。\n\n### 4. 成功标准（指标或期望属性）\n\n- **检测精度**：在DROW和JRDB数据集上，采用AP_{0.3}、AP_{0.5}、Peak-F1和EER作为主要指标，要求超越现有SOTA方法（见第IV.A.2节）。\n- **计算效率**：在保持较高精度的同时，控制GFLOPs和推理FPS，满足实际机器人应用需求（见第IV.A.2节）。\n- **泛化能力**：模型需在真实场景中有效工作，能够处理不同传感器配置和动态环境，且对困难样本具有鲁棒性（见第IV.E节）。\n\n\n## 模块 C2：有哪些相关研究？（最强基线/最相近思路/正交方向） / Module C2: What related research exists? (strongest baseline, closest approach, orthogonal directions)\n\n### Module C2: 相关工作分析\n\n#### 1. 最强基线(baseline)及比较轴\n\n- **最强基线**: DROW (T=5) 及其自监督增强版 DROW^p（使用伪标签，[^14]），以及 DR-SPAAM 及其增强版 DR-SPAAM^p（[^12],[^14]）。\n- **比较轴**: 在 DROW 和 JRDB 两个基准数据集上，从检测精度（AP@0.3, AP@0.5）、综合性能（Peak-F1, EER）以及计算效率（GFLOPs, FPS）三个维度进行对比。论文在 Table I 和 Fig.4 中明确展示了这些比较，重点突出了 Li2Former (尤其是 Li2Former-A) 在 AP@0.5 上的显著提升（DROW 上达到76.4%，JRDB 上达到81.4%），同时计算量（GFLOPs）保持在合理水平（10.55 GFLOPs on DROW，低于 DROW T=5 的27.09 GFLOPs）。\n\n#### 2. 最接近的方法及其关键差异\n\n- **最接近方法**: DR-SPAAM（[^12]）——它同样基于 2-D 点云做行人检测，并利用了时间上下文（autoregressive 模型）。\n- **核心差异**: DR-SPAAM 采用 RNN/注意力门控机制处理连续扫描帧，主要关注时间维度；而 Li2Former 提出了 ODA（Omni-Dimension Aggregation）模块，通过双流训练（主聚合流 + 辅助特征流）同时融合时间、空间和批次（batch）三个维度的特征，并引入 Transformer 编码器扩大有效感受野，还设计了 AFM 自适应聚焦机制优化难样本的学习。这突破了 DR-SPAAM 在维度建模上的单一性（Section II-A 和 Section III-C）。\n\n#### 3. 正交方向\n\n- **传统模板匹配方法**: 如 Arras（[^5]）、Leigh（[^6]）、ROS leg detector（[^36]）等，依赖手工特征和分类器，缺乏端到端学习能力，与深度学习方法的建模思路完全不同。\n- **3-D LiDAR 中的 Transformer 方法**: 如 VoTr（[^25]）、SWFormer（[^26]）、Li3DeTr（[^27]）等，针对 3-D 点云，而 Li2Former 专注于 2-D 范围数据，输入维度不同，属于正交应用场景。\n- **纯自监督方法**: 如基于伪标签的自监督检测（[^14]），侧重于无监督/半监督学习，而 Li2Former 是监督学习，且其伪标签增强只是作为基线对比的一部分。\n\n#### 4. 一句话定位\n\n## Li2Former 通过提出一种跨时间、空间和批次维度的全维聚合 Transformer 架构，从根本上改进了 2-D LiDAR 行人检测中信息融合不足和感受野受限的问题。\n\n\n## 模块 C3：论文如何解决这个问题？（流程图文字版） / Module C3: How does the paper solve the problem? (include a text flowchart)\n\n## Module C3: 论文如何解决问题？\n\n### 1. 核心机制概述\n\n论文提出 Li2Former，一种基于 Transformer 的 2-D LiDAR 行人检测方法。核心创新包括两个部分：**Omni-Dimension Aggregation (ODA) 模块**和**自适应聚焦机制 (AFM)**。ODA 模块通过双流训练（主聚合流和辅助特征流）实现时间、空间、批量三个维度的特征融合与对齐，辅助流在推理时可移除，避免训练与测试不一致；AFM 基于高斯分布对回归损失进行加权，引导模型动态关注难样本，抑制简单或低质量样本的梯度，从而加速收敛并提升泛化。实验在 DROW 和 JRDB 数据集上达到 SOTA 精度，并验证了实际部署可行性。\n\n### 2. 逐步分解\n\n整个方法分为以下步骤：\n\n1. **预处理（Cutout）**：利用 cutout 算法从原始激光扫描中提取局部感知窗口，每个窗口固定点数并归一化，解决点云密度随距离变化的问题。\n2. **骨干网络**：使用 1-D 卷积网络（Embedding+Conv）将 cutout 序列映射为高维特征 $\\mathcal{B}_1 \\in \\mathbb{R}^{B \\times T \\times C \\times P}$。\n3. **ODA 模块级联**：每个 ODA 块包含时间编码器（T-Encoder，用于主聚合流）和批量-空间编码器（BS-Encoder，用于辅助特征流）。输入被复制分别进入两个流，通过特征拼接实现信息交互。级联多个 ODA 块逐步缩小语义差距。\n4. **时间池化**：利用双分支（最大池化+平均池化）自适应压缩历史帧特征，得到当前帧的融合特征。\n5. **预测头**：分类头输出置信度，回归头输出位置偏移。\n6. **损失函数**：采用分类损失（BCE）和 AFM 加权的回归损失（L2）。\n\n### 3. 关键公式或模块作用\n\n- **Cutout 窗口角度**：$\\alpha_i^t = 2\\arctan\\frac{W}{2\\rho_i^t}$，其中 W 为窗口宽度，$\\rho_i^t$ 为距离。\n- **骨干网络**：$\\mathcal{B}_1 = \\mathrm{Embedding}(\\mathrm{Conv}(\\mathcal{B}_0))$，$\\mathcal{B}_0 \\in \\mathbb{R}^{B \\times T \\times C \\times M}$。\n- **T-Encoder**（以第一个块为例）：\n  $$\\mathcal{B}_{t,1}^{p'} = \\mathrm{MSA}_t(\\mathrm{LN}(\\mathcal{B}_{t,1}^{p})) + \\mathcal{B}_{t,1}^{p}$$\n  $$\\mathcal{B}_{t,1}' = \\mathrm{FFN}(\\mathrm{LN}(\\mathcal{B}_{t,1}^{p'})) + \\mathcal{B}_{t,1}^{p'}$$\n  其中 $\\mathcal{B}^p = \\mathcal{B} + \\mathrm{PE}(\\mathcal{B})$，使用余弦位置编码，MSA 为多头自注意力，FFN 为两层前馈网络。\n- **BS-Encoder**：结构与 T-Encoder 类似，但无位置编码，序列长度为 $B \\cdot C$，用于建模批量内样本间和空间结构关系。其梯度更新蕴含虚拟样本：$\\frac{\\partial \\mathcal{L}^k}{\\partial \\mathcal{B}} = \\frac{\\partial \\mathcal{L}^k}{\\partial \\mathcal{B}^k} + \\sum_{j \\neq k}^B \\frac{\\partial \\mathcal{L}^k}{\\partial \\mathcal{B}^j}$。\n- **时间池化**：\n  $$\\mathcal{B}_f' = \\frac{e^{w_m}}{e^{w_m}+e^{w_a}} \\cdot \\mathrm{avg}(\\mathcal{B}_f) + \\frac{e^{w_a}}{e^{w_m}+e^{w_a}} \\cdot \\mathrm{max}(\\mathcal{B}_f)$$\n  其中 $w_m, w_a$ 为可学习参数。\n- **AFM 权重**：\n  $$w_{t,i} = \\alpha \\exp\\left(\\ln\\delta \\cdot \\frac{(x_{t,i} - \\mu_t)^2}{\\sigma_t^2}\\right)$$\n  其中 $x_{t,i}$ 为样本回归损失与历史平均损失的差值，$\\mu_t$ 为历史平均损失，$\\sigma_t$ 为当前批损失标准差，$\\alpha$ 和 $\\delta$ 为超参数。\n- **总损失**：\n  $$\\mathcal{L} = \\mathcal{L}_{\\mathrm{cls}} + \\tilde{\\mathcal{L}}_{\\mathrm{reg}}$$\n  其中 $\\tilde{\\mathcal{L}}_{\\mathrm{reg}} = \\frac{1}{|\\mathcal{G}|} \\sum_{i} w_i \\| \\mathbf{g}_i - \\mathbf{p}_i \\|_2$。\n\n### 4. 过程示意图\n\n```mermaid\nflowchart TD\n    A[原始2-D激光扫描] --> B[Cutout预处理]\n    B --> C[1-D卷积骨干网络]\n    C --> D[级联ODA模块]\n    D --> E[时间池化]\n    E --> F[分类与回归头]\n    F --> G[输出检测结果]\n\n    subgraph ODA块细节\n        D --> D1[主聚合流: T-Encoder]\n        D --> D2[辅助特征流: BS-Encoder]\n        D1 <-- 特征拼接 --> D2\n    end\n\n    G --> H[损失计算]\n    H --> I[AFM加权回归损失]\n    I --> J[反向传播更新]\n```\n\n\n## 模块 C4：实验数据集与实现设置（数据集/场景、为何选择、验证哪些关键特性） / Module C4: Datasets and implementation settings (what datasets/scenarios, why chosen, what they validate)\n\n## 模块C4：数据集、基准与实现/评估设置\n\n### 1. 数据集/基准列表（名称、规模、场景）\n\n- **DROW数据集**（文献[^10]）：基于2-D LiDAR的行人检测基准。每帧包含由SICK S300扫描仪生成的**450个距离测量值**。场景涵盖室内环境，包含行人移动、人群及复杂背景。该数据集是2-D LiDAR行人检测的经典基准，用于评估模型在真实扫描数据上的性能。\n- **JRDB数据集**（文献[^35]）：更复杂的基准，包含**多个室内结构化场景**，具有密集人群和带3-D点云标注的行人。为了适配2-D LiDAR任务，作者从原始3-D点云中提取**膝盖位置周围的10厘米水平切片**，合成类似2-D LiDAR的信号。该数据集用于验证模型在更具挑战性、多场景、密集人群下的泛化能力。\n- **真实世界部署验证**：使用PEPPERL FUCHS R2000 2-D LiDAR（扫描范围360°，测量半径>15m）在自主移动机器人上进行物理实验，验证算法在实际环境中的可行性。\n\n### 2. 预处理与分割/覆盖设置\n\n- **cutout预处理算法**（文献[^10][^11][^12]）：对于每个激光点，生成局部感知窗口（cutouts）。具体细节：\n  - 从N个点中每隔N0个点选取中心，生成C个局部窗口（cutouts），窗口角宽由公式 `α_i^t = 2 * arctan(W / (2 * ρ_i^t))` 决定，其中W为窗口宽度超参数。\n  - 窗口内的点被裁剪到距离范围 `ρ_i^t ± H` 内。\n  - 通过线性插值将窗口内的激光点重采样到固定数量M，保证每个cutout包含等量的点数。\n  - 每个cutout根据中心距离 `ρ_i^t` 进行均值中心化和归一化到[-1,1]，消除距离对感受野的影响，使不同距离的物体呈现相似的信息特征。\n- **数据划分**：所有超参数在DROW验证集上确定，并用于其他数据集（如JRDB）的训练。训练集和测试集按标准协议划分（未在文本中明确给出具体划分比例，但遵循DROW和JRDB的官方评估协议）。\n- **忽略规则**：数据集中激光点少于4个的行人标签被标记为“忽略”，不参与评估。\n\n### 3. 训练/推理/评估环境（如适用）\n\n- **实现框架**：Python + PyTorch。\n- **训练硬件**：GeForce RTX 4090 GPU + AMD EPYC 7V13 CPU。\n- **推理硬件**：GeForce RTX 2060 GPU + Intel Core i7-10875H CPU（用于基准测试和真实部署）。\n- **训练超参数**：\n  - 优化器：Adam，batch size = 16，训练轮数 = 40。\n  - 学习率：初始 `10^-4`，按迭代指数衰减至 `10^-6`。\n  - 损失函数：分类损失采用二元交叉熵；回归损失采用L2范数，但Li2Former-A引入AFM加权（AFM参数 α=1.5, δ=0.33）。其他基线模型使用标准BCE和L2回归损失。\n  - ODA模块级联层数：3层（根据验证集实验选定，见Table III）。\n- **评估指标**：\n  - AP_d（关联距离为d的平均精度，d=0.3m和0.5m），Peak-F1，等错误率（EER），以及计算量GFLOPs和推理速度FPS。\n- **对比设置**：与DROW、DR-SPAAM及其伪标签增强版本、传统方法（ROS leg detector、Arras、Leigh）比较。所有方法使用相同的cutout参数，确保公平对比。\n\n### 4. 这些选择的理由及其验证目标\n\n- **使用DROW和JRDB双数据集**：DROW是2-D LiDAR行人检测的标准基准，规模较小但真实；JRDB规模更大、场景复杂、人群密集，能更全面评估模型泛化性。通过两个数据集验证算法在不同数据分布和复杂度下的有效性。\n- **cutout预处理**：针对2-D LiDAR稀疏性和距离相关密度不均的问题，将原始扫描转换为固定大小的局部窗口，保留局部结构并消除距离影响，使卷积和Transformer能有效处理。\n- **硬件选择**：训练使用RTX 4090保证训练效率，推理使用RTX 2060模拟实际部署条件，验证实时性。\n- **超参数选择**：基于验证集调参，如ODA层数3层（避免过拟合与计算开销平衡，Table III），AFM参数α=1.5, δ=0.33（Table V），时间池化策略（Table IV）等，通过消融实验验证设计合理性。\n- **真实世界部署**：在移动机器人上使用不同传感器（R2000）验证跨传感器泛化能力，并评估实际运行时的内存、GFLOPs和FPS，证明算法在真实场景中的可用性（Table VI）。\n- **验证目标**：通过定量比较（Table I）证明Li2Former在精度（AP、Peak-F1、EER）上超越SOTA，同时保持合理的计算效率；通过消融研究（Tables II-V）验证ODA结构、两流训练、时间池化、AFM的有效性；通过可视化和真实实验展示模型在复杂环境中的鲁棒性和实用性。\n\n\n## 模块 C5：指标与结果（指标、结果、各指标对应的创新点） / Module C5: Metrics and results (metrics, results, which innovations each metric reflects)\n\n## Module C5: 指标与结果\n\n### 1. 评估指标（定义或简要说明）\n\n论文使用了以下评估指标（见 Section IV-A2）：\n\n- **AP_d**：平均精度（Average Precision），其中检测结果只有当预测位置与真实行人位置的距离在关联阈值 d 内时才视为正样本。论文报告了 AP_0.3 和 AP_0.5 两种阈值。\n- **Peak-F1**：在精确率-召回率曲线上的最大 F1 分数，用于综合衡量查准率和查全率。\n- **EER**（Equal Error Rate）：等错误率，即精确率等于召回率时的错误率，数值越大表示性能越好。\n- **GFLOPs**：浮点运算量（Giga Floating-point Operations），用于衡量计算复杂度，数值越小越好。\n- **FPS**（Frame Per Second）：每秒处理帧数，用于衡量推理速度，数值越大越好。\n\n### 2. 主要结果（具体数值）\n\n论文在 DROW 和 JRDB 两个基准数据集上进行了定量评估（Table I）：\n\n- **DROW 数据集**：Li2Former-A (T=5) 达到 AP_0.5=76.4%，AP_0.3=72.5%，Peak-F1=72.0%，EER=71.8%，GFLOPs=10.55，FPS=66.9。\n- **JRDB 数据集**：Li2Former-A (T=5) 达到 AP_0.5=81.4%，AP_0.3=74.9%，Peak-F1=75.0%，EER=74.6%，GFLOPs=19.25，FPS=57.0。\n\n（注意：Li2Former-A 表示在训练中使用了 AFM 的版本，而 Li2Former 为未使用 AFM 的版本。论文最终报告的最佳结果以 Li2Former-A 为主。）\n\n### 3. 与基线或代表性先验工作的比较\n\n论文对比了传统方法（ROS leg detector、Arras、Leigh）和深度学习方法（DROW、DR-SPAAM，以及其使用伪标签增强的版本 +pseudo labels）。主要比较结论如下：\n\n- **准确率**：\n  - 在 DROW 上，Li2Former-A 比 DROW^p 和 DR-SPAAM^p 在 AP_0.5 上分别高 3.8% 和 5.3%；在 AP_0.3 上分别高 1.4% 和 2.7%。\n  - 在 JRDB 上，Li2Former-A 比 DROW^p 和 DR-SPAAM^p 在 AP_0.5 上分别高 2.7% 和 2.6%，但在 AP_0.3 上比 DROW^p 略低 0.4%，比 DR-SPAAM^p 高 0.5%。作者解释为 Transformer 缺少局部归纳偏置，在细节建模上略有不足，但更大的感受野提升了召回率。\n- **Peak-F1 和 EER**：Li2Former-A 在 DROW 上比最佳基线 (DR-SPAAM^p) 高 1%，在 JRDB 上比最佳基线 (DROW^p) 高 1.7%（Peak-F1）和 1.6%（EER）。\n- **计算效率**：Li2Former 的 GFLOPs 低于 DROW(T=5) 和 DR-SPAAM，但推理速度稍慢（FPS 低于 CNN 基线），原因是 Transformer 参数较多。\n\n详细数值见 Table I 和 Fig. 4（PR 曲线和 GFLOPs-AP 权衡）。\n\n### 4. 消融、敏感性分析或跨论文差异综合\n\n#### 4.1 ODA 结构消融（Table II）\n\n- 对比了串行编码器、并行编码器以及不同主/辅流组合。结果表明：T-Encoder 作为主聚合流、BS-Encoder 作为辅助特征流的双流结构（Model-6）性能最佳（AP_0.5=76.4%），验证了 ODA 双流设计的合理性。\n- 串行结构（Model-1）和并行结构（Model-2）性能较差，说明双流训练和特征对齐的重要性。\n- 将 BS 和 T 组合在同一编码器中（Model-4 和 Model-5）会破坏序列学习，性能显著下降。\n\n#### 4.2 ODA 级联层数影响（Table III）\n\n- 在 DROW 验证集上测试了 1 到 6 层 ODA。随着层数增加，性能先提升后下降，最佳层数为 3（AP_0.5=55.3%）。层数过多导致过拟合，计算量增大。\n\n#### 4.3 双流训练的增益（Fig. 6）\n\n- 图 6(a) 显示主辅流特征差距随训练迭代逐渐缩小，证明特征对齐有效。\n- 图 6(b) 表明推理时移除辅助流不会损失精度，反而降低计算量，证实了双流训练在推理阶段的无缝去除。\n\n#### 4.4 时间池化模块消融（Table IV）\n\n- 对比了朴素求和、平均池化、1x1 卷积、最大池化和时间池化（最大+平均组合）。时间池化效果最好（AP_0.5=76.4%），说明结合局部和全局时序信息的重要性。\n\n#### 4.5 AFM 参数敏感性分析（Table V）\n\n- 在 DROW 验证集上测试了不同 α 和 δ 组合。结果表明 α/δ 比值适中时性能最佳，α=1.5、δ=0.33 时取得最好结果（AP_0.5=55.3%）。过高或过低都会损害性能。\n- Fig. 7 对比了有无 AFM 的训练和测试损失曲线及 AP，显示 AFM 加速收敛并提升精度。\n\n#### 4.6 实际部署表现（Table VI）\n\n- 在真实机器人实验中，Li2Former-A 的内存占用（4.18GB）远高于 DROW 和 DR-SPAAM，但 GFLOPs（20.53）低于 DROW T=5（35.27），FPS（28.6）低于基线，但仍满足实时需求。\n- 定性结果（Fig. 9）显示 Li2Former 比 DROW 具有更低的误检率，但在行人高速运动或特殊视角下存在失效。\n\n#### 跨论文差异综合\n\n- 与 CNN 基线相比，Transformer 架构提升了大范围感知能力，但参数较多导致推理速度下降（本文结论）。\n- 伪标签自监督方法（+pseudo labels）能提升基线精度，但本文方法仍能超越它们。\n- 与 DR-SPAAM 的 RNN 时序建模相比，本文的 Transformer 时序编码在并行性和全局依赖上更有优势。\n\n\n## 模块 C6：有什么可以进一步探索的点？（理论/工程/数据/评测） / Module C6: What can be further explored? (theory/engineering/data/evaluation)\n\n## 模块 C6：可进一步探索的方向\n\n### 一、理论方向\n\n1. **理论解释 ODA 模块的泛化能力**：论文中 ODA 模块通过主聚合流和辅助特征流实现时间、空间和批量维度的信息交互，但其泛化能力的理论依据尚不充分。可进一步从信息论或表示学习角度，分析跨维度特征融合如何减少语义鸿沟，以及批量维度上的隐式数据增强为何能提升模型鲁棒性（论文第 III-C 节、第 2 节）。\n2. **注意力机制的理论分析**：Transformer 编码器通过全局注意力扩大有效感受野，但缺乏对注意力权重分布与检测性能之间关系的理论刻画。可研究注意力熵、注意力多样性等指标与检测精度、定位精度的关联，为模型设计提供理论指导（论文第 III-C-2、III-C-3 节）。\n3. **AFM 的收敛性分析**：AFM 基于高斯函数动态调整样本权重，其收敛行为和损失面几何性质未被深入探讨。可尝试证明在特定条件下 AFM 加权损失能加速收敛到更优局部极小值，或分析超参数 α 和 δ 对训练动态的理论影响（论文第 III-D 节、表 V）。\n\n### 二、工程方向\n\n1. **模型轻量化与实时性优化**：论文指出 Transformer 架构导致参数量增加、推理帧率下降（第 V 节、表 VI）。可探索知识蒸馏、剪枝、量化或采用线性注意力/稀疏注意力降低计算量，在保持精度的前提下提升在资源受限机器人平台上的实时性。\n2. **多传感器融合的工程化**：当前方法仅使用 2-D LiDAR 数据。可研究将 ODA 模块扩展到与相机或 3-D LiDAR 融合，形成统一的感知管道，并设计相应的标定和同步机制，提升复杂场景下的检测鲁棒性（论文引言中提及 RGB-D 相机的局限性）。\n3. **ROS 部署与系统集成优化**：论文提供了 ROS 节点，但未讨论节点通信开销、多机器人协同或边缘计算方案。可进一步优化消息传递、实现异步推理和回调管理，提升系统整体吞吐量和响应速度（论文第 IV-E 节）。\n\n### 三、数据/评估方向\n\n1. **数据增强与自监督方法结合**：论文引用伪标签自监督方法（[^14]）用于提升性能，但未将自监督预训练与 ODA 模块结合。探索利用大量未标注 2-D 激光数据对 ODA 进行预训练（如掩码重建或对比学习），有望缓解标注稀缺问题，增强模型泛化。\n2. **更全面的评估体系**：当前评估主要基于 DROW 和 JRDB 数据集，指标包括 AP、Peak-F1、EER 等。未来可引入遮挡程度、人群密度、移动速度等细粒度评估因子，分析模型在不同难度子集上的表现，并补充对极端情况（高速移动、严重遮挡）的定量测试（论文第 IV-E 节指出高速行人检测失败）。\n3. **跨域迁移与域适应**：模型训练和测试环境多为室内结构化场景，对室外或其他传感器配置的迁移能力未知。可评估 ODA 模块在跨域数据上的表现，并研究利用域适应技术（如特征对齐、对抗训练）提升模型对不同雷达型号、不同安装高度和不同环境（室外、动态物体多）的适应能力。\n\n\n## 模块 C7：现实场景如何体现/实现？（部署约束、算力、延迟、鲁棒性） / Module C7: How would this work in real-world scenarios? (deployment constraints, compute, latency, robustness)\n\n## Module C7: 现实世界应用中的体现\n\n### 1. 部署约束\n\n- **硬件需求**：论文在真实环境中部署于差分轮式机器人，配备PEPPERL FUCHS R2000 2-D LiDAR（360°扫描，半径超过15m），搭载Intel NUC（i7-8700U CPU，16GB内存）用于低级命令，另用一台带GeForce RTX 2060 GPU的笔记本电脑加速推理（Section IV-E, Fig.8, Table VI）。训练使用更高端硬件（RTX 4090 GPU和AMD EPYC 7V13 CPU），测试在RTX 2060和i7-10875H上进行（Section IV-A-3）。\n- **软件/框架依赖**：模型基于PyTorch实现，并提供ROS节点（见贡献第3点），便于机器人应用集成（Section I）。代码开源（<https://github.com/ai-winter/Li2Former-v1）。>\n- **传感器兼容性**：由于BS-Encoder可接受变长序列输入，Li2Former不受不同传感器配置影响（Section III-C-3），且能从3-D点云提取2-D切片，不依赖特定数据格式（Section IV-A-1）。\n- **推理阶段可裁剪**：辅助特征流在推理时移除，只保留主聚合流，减少计算负担且避免训练/测试不一致（Section III-C-1、Fig.6(b)）。\n\n### 2. 计算/延迟影响\n\n- **算力需求**：Li2Former-A (T=5) 在真实系统中内存占用4.18GB，GFLOPs为20.53，FPS为28.6；相比DROW T=5（35.8FPS）和DR-SPAAM（49.3FPS）低，但仍满足实际应用（Table VI）。在基准测试中，Li2Former-A在DROW上GFLOPs为10.55，FPS 66.9；在JRDB上GFLOPs 19.25，FPS 57.0（Table I）。\n- **延迟瓶颈**：Transformer中的多head自注意力和多层MLP导致参数增加，推理速度较CNN方法慢（Section IV-B）。但全局注意力相比卷积有更好的并行性，计算复杂度较低（对比DROW同序列长度）。\n- **训练开销**：训练需40个epoch，批量大小16，使用Adam优化器，学习率从1e-4指数衰减到1e-6（Section IV-A-3）。两流训练增加内存和算力，但推理时可去除辅助流。\n- **超参数敏感性**：ODA层数（3层最佳，过多过拟合，Table III）、AFM参数（α=1.5，δ=0.33为最优，Table V）需调优。\n\n### 3. 健壮性与安全问题\n\n- **场景覆盖**：在DROW和JRDB基准上均达到SOTA精度（Section IV-B），并在真实环境中验证（Section IV-E）。但在高速运动（如跑步）时检测失败，因为训练样本仅含正常行走者（Section IV-E）。\n- **遮挡与噪声**：Li2Former通过全局注意力扩大有效感受野，在拥挤场景和噪声干扰下优于CNN基线，能更好区分前景和背景（Section IV-C，Fig.5）。\n- **数据不平衡**：AFM机制对困难样本和简单样本区分加权，解决类别不平衡和低质量标注问题（Section III-D）。\n- **潜在风险**：训练集仅含常规行人，对高速运动或特殊视角（如人机高度相似）泛化不足，可能漏检；在资源受限设备上帧率下降可能约束实时性；模型对远距离稀疏点云检测仍困难（验证集表现低于测试集，Table III与Table I对比）。\n- **安全考量**：部署时有紧急停止按钮确保人机交互安全（Section IV-E），但检测失败可能造成碰撞风险未在论文中讨论。\n\n### 4. 可维护性\n\n- **代码开源**：提供PyTorch代码和ROS节点，促进二次开发和社区维护（Section I贡献3）。\n- **模块化设计**：ODA模块、AFM、时间池化等可独立替换或调整（如不同池化方法，Table IV），便于算法升级。\n- **依赖管理**：基于常见深度学习框架，硬件要求明确，便于复现。但论文未提供数据集链接（DROW、JRDB需自行获取），可能影响复现。\n- **扩展性**：模型可迁移至不同传感器配置（变长输入），可处理3-D点云切片，未来可扩展到其他2-D LiDAR任务（如跟踪）。\n- **长期维护挑战**：Transformer模型参数多，训练数据需求大，需持续数据标注和重新训练以适应新场景；高速运动场景需补充训练数据或改进模型结构（Section V承认此局限）。\n\n\n## 模块 C8：总结主要内容（一段摘要 + 5 条要点 + 1 个核心公式/机制） / Module C8: Summarize the main content (one paragraph + 5 bullets + one core formula/mechanism).\n\n## Module C8: 简明总结\n\n### 1. 总结段落\n\n本文提出一种基于Transformer的新型2-D LiDAR行人检测方法Li2Former，针对二维扫描数据稀疏导致的特征提取难题。该方法设计了全维聚合（ODA）模块，通过主聚合流和辅助特征流的双流训练策略，同时在时间、空间和批量维度上进行特征交互与对齐，弥补了以往仅单一维度建模的不足。辅助特征流在推理阶段可去除，避免了训练与测试不一致并降低计算量。此外，论文还提出基于高斯分布的自适应聚焦机制（AFM），根据样本回归损失相对历史均值的变化动态加权，使模型更关注困难样本、抑制简单或低质量样本的干扰，从而加速收敛并提升泛化能力。实验在DROW和JRDB数据集上取得76.4%和81.4%的AP_0.5，超越现有SOTA方法，并在真实机器人平台上验证了可行性。\n\n### 2. 五个关键要点\n\n1. **全维聚合（ODA）模块**：通过时间编码器（T-Encoder）和批量-空间编码器（BS-Encoder）的双流架构，实现时间、空间、批量三维的特征融合，促进信息交互。\n2. **两流训练策略**：主聚合流建模时间特征，辅助特征流进行空间结构学习和内部样本数据增强，推理时移除辅助流以降低开销。\n3. **自适应聚焦机制（AFM）**：基于高斯函数动态加权回归损失，优先优化困难样本，抑制简单和无效样本，提升收敛速度和泛化能力。\n4. **Transformer增强感受野**：自注意力机制扩大有效感受野，弥补卷积局部建模的局限，实现长距离依赖捕捉。\n5. **SOTA性能与真实部署**：在DROW和JRDB上达到最先进精度，并在自主移动机器人上完成实际环境验证，代码开源。\n\n### 3. 核心公式或机制\n\nAFM中的样本权重计算采用非单调高斯函数：\n$$w_{t,i}=\\alpha\\exp\\left(\\ln\\delta\\cdot\\frac{(x_{t,i}-\\mu_t)^2}{\\sigma_t^2}\\right)$$\n其中$x_{t,i}$是第t次迭代时样本i的回归损失与其历史均值$\\mu_t$的差，$\\sigma_t$为当前迭代损失标准差，$\\alpha$为聚焦系数，$\\delta\\in(0,1)$为折扣系数。该权重使落在$[\\mu_t-\\sigma_t, \\mu_t+\\sigma_t]$区间的困难样本获得较高梯度增益，而简单样本和异常样本的权重被抑制。\n\n\n## 模块 D：第二遍内容理解（方法结构/关键图表/实验） / Module D: Second Pass (method structure, key figures, experiments)\n\n## 模块D：第二次通读理解\n\n### 1. 结构树（论文结构分解）\n\n- **摘要与引言（Abstract & Section I）**：问题背景（2-D LiDAR人员检测中的点云稀疏性）、现有方法的弱点（一维聚合算子、局部卷积算子的有效感受野受限）、提出三个贡献（ODA模块、AFM机制、开源代码与ROS节点）。\n- **相关工作（Section II）**：\n  - A. 基于2-D距离数据的人员检测：传统模板匹配（Arras, Leigh等）与深度学习方法（DROW、DR-SPAAM、自监督伪标签）的对比。\n  - B. 点云分析中的Transformer：回顾3-D点云Transformer（MSPCT、PointFormer、VoTr等），并引出将其引入2-D范围数据的动机。\n- **方法（Section III）**：\n  - A. 问题形式化：定义了激光扫描表示、预测目标、整体流程概述。\n  - B. 平面点云主干（Planar Point Cloud Backbone）：cutout预处理、1-D卷积骨干、特征嵌入。\n  - C. 全维度聚合（Omni-Dimension Aggregation, ODA）：\n    - 1) 双流训练（Two-Stream Training）\n    - 2) 时间特征提取器（Temporal Feature Extractor）\n    - 3) 批-空间特征提取器（Batched-Spatial Feature Extractor）\n    - 4) 时间池化与预测（Time Pooling and Prediction）\n  - D. 自适应聚焦机制（Adaptive Focusing Mechanism, AFM）：样本分类、高斯注意力权重、损失函数。\n- **实验（Section IV）**：\n  - A. 实验设置（数据集、指标、实现细节）\n  - B. 定量结果（Table I）\n  - C. 定性可视化（Fig. 5）\n  - D. 消融研究（ODA结构、双流训练、时间池化、AFM参数）\n  - E. 真实世界部署（Fig. 8, Fig. 9, Table VI）\n- **结论（Section V）**：总结贡献、讨论局限性（参数多、高速行人困难）。\n\n### 2. 方法/系统分解\n\n**输入**：2-D LiDAR连续扫描序列 \\(\\mathcal{S} = \\{s_i^t | (\\rho_i^t, \\theta_i^t)\\} \\)，包括当前帧和历史\\(T-1\\)帧。\n\n**预处理**：使用cutout算法生成局部感知窗口（每个窗口包含固定数量M的点），然后归一化。\n\n**主干网络**：1-D卷积骨干，接收cutouts \\(\\mathcal{B}_0 \\in \\mathbb{R}^{B \\times T \\times C \\times M}\\)，输出嵌入 \\(\\mathcal{B}_1 \\in \\mathbb{R}^{B \\times T \\times C \\times P}\\)。\n\n**核心模块**：级联多个ODA块，每个块包含：\n\n- **主聚合流（Main Aggregation Stream）**：使用时间编码器（T-Encoder）建模帧间时间信息；\n- **辅助特征流（Auxiliary Feature Stream）**：使用批-空间编码器（BS-Encoder）建模空间结构和样本间关系，训练时通过拼接注入主流。推理时可去除辅助流。\n\n**时间池化**：双分支（最大池化和平均池化）加权融合历史帧特征，输出当前帧特征。\n\n**预测头**：两个MLP分别产生分类分数 \\(\\mathcal{C}\\) 和位置偏移 \\(\\mathcal{P}\\)。\n\n**损失函数**：分类损失（二值交叉熵）+ 回归损失（AFM加权的L2距离）。AFM根据历史平均损失动态计算每个样本的权重。\n\n**训练流程**：Adam优化器，初始学习率1e-4，指数衰减至1e-6，batch size 16，训练40 epochs。辅助流只在训练时存在。\n\n**推理流程**：去掉辅助流，仅使用主聚合流（T-Encoder）和时间池化，输出检测结果。\n\n### 3. 重要图/表解释\n\n**图1（Fig. 1）**：可视化ODA模块的动机——对比(a)仅空间聚合、(b)仅时间聚合、(c)融合空间、时间、批三个维度的全维度聚合，说明后者能提供更全面的信息交互。\n\n**图2（Fig. 2）**：展示了Li2Former的整体架构。从输入cutouts开始，经过1-D卷积骨干，然后进入级联ODA块（每个块有主聚合流和辅助特征流），最后经过时间池化和预测头。该图清晰体现了双流训练和推理时的流结构。\n\n**表1（Table I）**：定量比较结果。在DROW和JRDB两个基准上，Li2Former-A（带AFM）在AP0.5上分别达到76.4%和81.4%，超越所有基线；同时FLOPs较低（10.55/19.25 GFLOPs），但FPS略低于部分CNN方法。\n\n**图6（Fig. 6）**：验证双流训练的有效性。(a)显示不同ODA块中主/辅助流特征间的语义差距随训练迭代下降，说明特征对齐；(b)显示推理时去除辅助流不降低精度但减少计算量。\n\n### 4. 实验或评估细节\n\n**数据集**：\n\n- DROW：单线激光雷达扫描，每帧450个测距点，常用于2-D人员检测。\n- JRDB：室内复杂多人场景，从3-D点云中提取膝盖高度水平切片合成2-D扫描。排除少于4个激光点的标签。\n\n**评估指标**：AP_0.3, AP_0.5（距离阈值匹配的平均精度）、Peak-F1、EER（等错误率）、GFLOPs（计算量）、FPS（推理速度）。\n\n**比较目标**：\n\n- 传统方法：ROS leg detector、Arras、Leigh（重新训练）\n- 深度学习方法：DROW（T=1和T=5）、DROW+pseudo，DR-SPAAM、DR-SPAAM+pseudo\n- 自监督增强版本（pseudo-labels）\n\n**公平性**：所有深度方法使用相同的cutout参数训练；消融研究在相同设置下进行。\n\n**消融研究**：\n\n- ODA结构：对比串行、并行、不同主/辅助流组合（Table II），证实T-Encoder作为主流、BS-Encoder作为辅助流最佳。\n- ODA层数：试验1~6层，3层最优（Table III）。\n- 时间池化：对比朴素求和、平均、最大、1x1卷积，时间池化最佳（Table IV）。\n- AFM参数：调整α和δ，选择α=1.5, δ=0.33（Table V）。\n- AFM有效性：训练损失收敛更快、精度更高（Fig. 7）。\n\n**真实世界部署**：\n\n- 使用PEPPERL FUCHS R2000激光雷达（360°扫描，>15m）和差分驱动机器人。\n- 对比DROW，Li2Former在真实场景中误检更少（Fig. 9），但FPS较低（28.6 vs 50.7），内存占用更大（4.18 vs 1.45 GB）。\n\n**局限性讨论**：参数多导致推理慢；高速行人时检测失效；特殊扫描角度下人物与环境相似导致漏检。\n\n### 5. 适合论文类型的图表（架构图）\n\n```mermaid\ngraph TD\n    A[输入2-D扫描序列] --> B[Cutout预处理]\n    B --> C[1-D卷积骨干]\n    C --> D{级联ODA块}\n    D --> E1[主聚合流: T-Encoder]\n    D --> E2[辅助特征流: BS-Encoder]\n    E2 -->|拼接注入| E1\n    E1 --> F[时间池化]\n    F --> G[分类头 & 回归头]\n    G --> H[输出检测结果]\n    style E2 fill:#f9f,stroke:#333,stroke-width:2px\n    style E1 fill:#bbf,stroke:#333,stroke-width:2px\n    style F fill:#bfb,stroke:#333,stroke-width:2px\n```\n\n\n## 模块 E：第三遍深度审视（重建/假设/失败模式/审稿意见） / Module E: Third Pass (reconstruction, assumptions, failure modes, review)\n\n## 模块E：第三遍深入评审\n\n### 1. 可重建性（伪代码或重建笔记）\n\n本文的核心架构Li2Former可被重建为以下流程：\n\n```text\n输入：历史T帧2-D激光扫描S = {s_t} (t=1..T)，当前帧t_c = T+1\n预处理：\n  对于每一帧，使用cutout算法生成每个点的感知窗口（角度开口α = 2*arctan(W/(2ρ))，深度范围ρ±H），重采样到固定点数M，均值中心化并归一化到[-1,1]（见第三节B，公式(1)）\n骨干网络：\n  1-D卷积骨干提取局部特征，输出B0 ∈ R^{B×T×C×M} -> B1 ∈ R^{B×T×C×P}（见公式(2)）\nODA模块（级联i=1..3）：\n  输入：B1的副本进入两条流：主聚合流（T-Encoder）和辅助特征流（BS-Encoder）\n  对于第一个ODA块：B_t,1 = B_bs,1 = B1\n  对于第i>1个ODA块：\n    主聚合流输入：B_bs,i = [B_t,i-1'; B_bs,i-1']（拼接）\n    辅助流输入：B_bs,i-1'\n  T-Encoder（主流）：\n    添加余弦位置编码PE，经过MSA_t（沿时间维，序列长度T）和FFN，使用残差连接和pre-LN（见公式(3)-(6)）\n    对于i>1，需要decouple操作分离时间和特征（见公式(7)-(9)）\n  BS-Encoder（辅助流）：\n    MSA_bs（沿批量-空间维，序列长度B*C），无位置编码（见公式(10)-(11)）\n时间池化：\n    双分支：平均池化和最大池化，通过可学习权重w_a和w_m加权融合（见公式(15)）\n预测头：\n    两层MLP产生分类置信度C和位置偏移P（见公式(16)-(17)）\n损失函数：\n    分类：BCE损失（公式(20)）\n    回归：AFM加权的L2损失（公式(21)），权重由高斯函数计算（见公式(19)）\n训练：两流同时训练；推理时移除辅助流，仅保留主流。\n```\n\n重建所需的细节在文中基本给出，包括网络结构、损失函数、训练超参数（Adam优化器，批量16，40轮，学习率10^-4指数衰减至10^-6）等。但部分细节如通道数P、隐藏层维度、MSA头数等未明确，需参考开源代码（<https://github.com/ai-winter/Li2Former-v1）才能完全复现。>\n\n### 2. 假设（3-6条）\n\n- **假设1：2-D激光扫描是1-D距离序列**。论文假设平面点云本质上为1-D深度序列，因此采用1-D卷积骨干（见第三节B）。这一假设在论文中作为基础，但实际多线激光或非规则排列的数据可能不适用。\n- **假设2：历史帧信息对当前检测有益**。模型利用连续T帧（文中T=5）的扫描序列，假设行人运动具有时间连续性，且历史帧能提供补充特征（见第三节C-2）。对于快速运动或突然转向，该假设可能失效。\n- **假设3：辅助流（批量-空间编码）仅在训练时必要**。文中假设批量内样本间关联可以作为一种隐式数据增强，但测试时以单样本推理不会造成显著性能下降（见第三节C-1）。这一假设依赖批量大小和训练集分布，难以保证在所有场景有效。\n- **假设4：困难样本可通过回归损失的历史均值来识别**。AFM基于样本当前回归损失与历史均值之差分配权重，假设损失动态反映样本难度，且难样本的梯度应被放大（见第三节D）。但若标注质量差或噪声大，可能误判。\n- **假设5：2-D LiDAR检测行人时，腿部位置可代表行人中心**。任务定义为预测行人位置，偏移量Δρ和Δθ相对于激光点，而标签来自数据集（如JRDB的3D点云切片），假设水平切片可代表行人位置。\n\n### 3. 失败模式或盲区（2-4点）\n\n- **快速运动目标**：论文指出，模型对高速运动（如跑步）行人失效，因为时间相关性难以捕捉（见第五节结论）。实验仅涉及正常行走速度，未覆盖高速场景。\n- **特殊扫描角度导致的特征混淆**：当行人部分被遮挡或扫描角度特殊导致人与环境特征相似时，模型难以区分前景与背景（见第四节E的讨论）。这源于2-D数据的固有稀疏性。\n- **资源受限场景**：由于Transformer结构，模型参数量和推理延迟较高（见第四节E，Li2Former-A在真实环境仅28.6 FPS，内存4.18 GB，高于基线），可能不适用于低算力嵌入式平台。\n- **对批量依赖的过拟合**：辅助流利用批量内样本关系，若部署时批量大小不同，训练与推理差异可能导致性能下降，虽然辅助流被移除，但主流依赖的表示是训练过程塑造的，仍可能受批量效应影响。\n\n### 4. 优点与缺点\n\n### 优点：\n\n1. **创新性**：提出ODA模块，首次将维度聚合扩展到批量维度，通过两流训练设计实现训练/推理解耦，结构合理。\n2. **性能提升**：在DROW和JRDB上达到SOTA（AP0.5分别为76.4%和81.4%），显著优于纯CNN和RNN方法。\n3. **消融充分**：对ODA结构、层数、时间池化方法、AFM参数等进行了系统消融，验证了各组件贡献。\n4. **实际验证**：提供了真实机器人部署实验，包括ROS节点和硬件演示视频，展示了实用价值。\n5. **代码开源**：提供源码，有助于复现与后续研究。\n\n## 缺点：\n\n1. **推理效率较低**：相比DROW和DR-SPAAM，参数量和FLOPs增加，FPS下降（DROW T1: 83.7 vs Li2Former-A: 66.9），在实时性要求高的场景可能受限。\n2. **对高精度定位不足**：全局注意力缺乏局部归纳偏置，在AP0.3指标上略逊于DROW+伪标签（DROW+伪标签AP0.3=0.711，Li2Former-A=0.725反而更高，但正文提及在更细粒度上略有下降）。实际上，本文在AP0.3上并未超过DROW+伪标签？查看表I，Li2Former-A在DROW上AP0.3=0.725，高于DROW+伪标签0.711，但正文说“slight decrease of 0.4% in the finer AP0.3 compared with DROW_p”，这里的DROW_p指DROW+伪标签，但数值显示0.711 vs 0.725，似乎有矛盾。重新检查正文：在JRDB上AP0.3，Li2Former-A=0.749，DROW+伪标签=0.753，所以确实下降0.4%。DROW上AP0.3是Li2Former-A更高。混淆了。总之，在JRDB的AP0.3上，Li2Former略低于DROW+伪标签，表明粒度细化不足。\n3. **超参数敏感**：AFM的α和δ需要调整，表V显示性能差异不大但最优组合对验证集敏感，泛化性未知。\n4. **依赖消化的数据量**：Transformer需要大量数据，小数据集上可能过拟合（ODA层数增加时验证集性能下降，见表III）。\n\n### 5. 下一步研究方向（2-4条）\n\n- **轻量化设计**：尝试使用稀疏注意力、剪枝或知识蒸馏等技术压缩模型，减少参数量，提升推理速度，使其更适合嵌入式机器人。\n- **扩展动态场景处理**：引入运动模型或光流场，增强对快速运动目标的检测能力，例如通过预测帧间位移或利用多速率处理。\n- **跨传感器泛化**：测试在不同角度分辨率、不同扫描频率的2-D LiDAR上的泛化性，或融合多传感器信息以弥补单一模态不足。\n- **改进AFM**：研究更鲁棒的困难样本度量，例如结合分类置信度或预测不确定性，避免对噪声样本过度加权，并探索自适应α/δ调节策略。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n## 模块F：术语表与概念依赖图\n\n### 术语表（共25个条目）\n\n1. **2-D LiDAR / 二维激光雷达**\n   - 定义：通过单一水平扫描线获取平面距离数据的传感器，输出一系列按角度排列的距离测量值（即平面点云）。\n   - 直觉：像一把水平方向的尺子，仅在一个平面内测量周围物体的距离，数据稀疏且缺乏高度信息。\n   - 在本文中的角色：研究的核心输入数据源，用于行人检测；其稀疏性是挑战的根源。\n   - 前置知识：激光测距原理、传感器坐标系。\n\n2. **Point Cloud / 点云**\n   - 定义：由大量空间点组成的数据集合，每个点包含坐标和可能的属性（如反射强度）。文中特指平面点云（2-D点云）。\n   - 直觉：将扫描到的物体表面离散为无数个点，形成“点云”形状。\n   - 在本文中的角色：输入模型的基本数据形式，经过预处理后用于特征提取。\n   - 前置知识：三维几何、传感器数据处理。\n\n3. **Cutout / 裁剪窗口**\n   - 定义：从原始激光扫描中提取的局部感知窗口，以每个采样点为中心，根据几何形状裁切出包含固定数量点的区域。\n   - 直觉：将原始一维扫描切成许多小片段，每个片段对应一个潜在对象区域。\n   - 在本文中的角色：预处理步骤，将原始扫描转换为固定大小的窗口序列，作为骨干网络的输入。\n   - 前置知识：角度、距离、坐标变换。\n\n4. **Backbone / 骨干网络**\n   - 定义：深度学习模型中的基础特征提取网络，通常为卷积神经网络（CNN）或Transformer，负责从原始输入生成特征表示。\n   - 直觉：模型的“眼睛”，将原始数据转化为机器可理解的抽象特征。\n   - 在本文中的角色：采用1-D卷积网络从裁剪窗口提取细粒度结构特征。\n   - 前置知识：深度学习基础、卷积操作。\n\n5. **1-D Convolution / 一维卷积**\n   - 定义：在一维序列上进行的卷积操作，滑动卷积核提取局部特征。\n   - 直觉：如同在一条线上滑动的小窗口，捕捉相邻点的组合信息。\n   - 在本文中的角色：用于处理一维距离信号，避免二维卷积的维度转换开销。\n   - 前置知识：卷积神经网络。\n\n6. **Effective Receptive Field (ERF) / 有效感受野**\n   - 定义：网络中某层输出特征实际上对输入区域的影响范围，不同于理论感受野，实际有效范围更小且呈高斯分布。\n   - 直觉：模型能“看到”的范围大小，局部卷积视野有限，全局注意力范围大。\n   - 在本文中的角色：指出卷积操作的局限，Transformer的自注意力可扩大ERF，提高全局建模能力。\n   - 前置知识：感受野、卷积网络。\n\n7. **Transformer / 变换器（架构）**\n   - 定义：基于自注意力机制的深度学习架构，通过计算序列内部各位置间的相关性来建模长距离依赖。\n   - 直觉：让每个元素都能直接“看到”所有其他元素，而非受限于局部窗口。\n   - 在本文中的角色：核心架构，用于设计T-Encoder、BS-Encoder和ODA模块。\n   - 前置知识：注意力机制、序列建模。\n\n8. **Self-Attention / 自注意力**\n   - 定义：注意力机制的一种，通过查询（Q）、键（K）、值（V）来加权聚合序列中其他位置的表示。\n   - 直觉：序列中的每个元素根据相关性对其他元素进行加权求和，相关性高的贡献大。\n   - 在本文中的角色：实现全局特征交互，扩大ERF。\n   - 前置知识：注意力机制、Transformer。\n\n9. **Multi-Head Self-Attention (MSA) / 多头自注意力**\n   - 定义：将自注意力分为多个头并行计算，每个头关注不同的子空间表示，最后拼接融合。\n   - 直觉：多个“观察视角”并行捕捉不同模式。\n   - 在本文中的角色：用于T-Encoder和BS-Encoder的特征编码。\n   - 前置知识：自注意力、Transformer。\n\n10. **Position Encoding / 位置编码**\n    - 定义：为序列元素添加位置信息，使模型区分顺序，常见有正弦余弦编码和可学习编码。\n    - 直觉：给每个位置一个“地址”，让注意力知道顺序。\n    - 在本文中的角色：在T-Encoder中用于建模时间顺序（连续帧），BS-Encoder中不使用以保持位置不变性。\n    - 前置知识：序列模型、Transformer。\n\n11. **Feed-Forward Network (FFN) / 前馈网络**\n    - 定义：由全连接层和非线性激活函数组成的网络，通常应用于每个Transformer层中。\n    - 直觉：对每个位置的表示进行独立非线性变换。\n    - 在本文中的角色：在T-Encoder和BS-Encoder中增加特征表达能力。\n    - 前置知识：多层感知机、激活函数。\n\n12. **Residual Connection / 残差连接**\n    - 定义：跳跃连接，将输入直接加到输出上，缓解梯度消失和网络退化。\n    - 直觉：让梯度能够直接从输出流向输入，便于训练深层网络。\n    - 在本文中的角色：用于T-Encoder和BS-Encoder的每个子层。\n    - 前置知识：ResNet、深度学习训练。\n\n13. **Layer Normalization (LN) / 层归一化**\n    - 定义：在特征维度上计算均值和方差进行归一化，稳定训练。\n    - 直觉：让每层的特征分布保持一致。\n    - 在本文中的角色：采用预归一化（pre-LN）方式，辅助训练。\n    - 前置知识：批归一化、深度学习归一化方法。\n\n14. **Temporal Encoder (T-Encoder) / 时间编码器**\n    - 定义：处理时间维度特征的编码器，用于建模连续帧之间的动态变化。\n    - 直觉：记住过去的信息，理解运动趋势。\n    - 在本文中的角色：在主聚合流中提取时间依赖。\n    - 前置知识：序列建模、Transformer。\n\n15. **Batched-Spatial Encoder (BS-Encoder) / 批-空间编码器**\n    - 定义：同时处理批维度和空间维度的编码器，序列长度为B·C（B为批大小，C为裁剪窗口数），建模样本间关系与空间结构。\n    - 直觉：在批内建立样本间的关联，同时利用空间信息。\n    - 在本文中的角色：辅助特征流中提取批-空间特征，并注入主流。\n    - 前置知识：Transformer、批处理机制。\n\n16. **Omni-Dimension Aggregation (ODA) / 全维聚合**\n    - 定义：本文提出的模块，旨在跨时间、空间、批三个维度进行特征融合和交互。\n    - 直觉：让信息在所有相关维度间流动，打破单一维度的限制。\n    - 在本文中的角色：核心贡献之一，通过级联ODA块实现渐进式特征对齐。\n    - 前置知识：多维特征处理、Transformer。\n\n17. **Two-Stream Training / 双流训练**\n    - 定义：训练时并行两个数据流（主聚合流和辅助特征流），辅助流仅在训练阶段使用，推理时移除。\n    - 直觉：辅助流提供额外信息帮助主流学习，但为了推理效率，推理时不需要辅助流。\n    - 在本文中的角色：用于ODA模块的训练策略，避免训练-测试不一致。\n    - 前置知识：深度学习训练策略、知识蒸馏。\n\n18. **Main Aggregation Stream / 主聚合流**\n    - 定义：接收来自辅助流的特征，进行时间编码和特征融合的主要数据路径。\n    - 直觉：核心通道，负责最终的特征表示。\n    - 在本文中的角色：在ODA中负责时间建模和特征整合，推理时保留。\n    - 前置知识：Transformer架构。\n\n19. **Auxiliary Feature Stream / 辅助特征流**\n    - 定义：仅在训练时存在的分支，用于提取批-空间特征并注入主流，类似内部数据增强。\n    - 直觉：训练时的一个“助手”，帮助主流看到更多样本间联系，但推理时不需要。\n    - 在本文中的角色：提升样本关联和特征稀疏性缓解，推理时移除减少计算。\n    - 前置知识：深度学习训练、数据增强。\n\n20. **Time Pooling / 时间池化**\n    - 定义：将时间维度的多帧特征压缩成单帧特征的操作，文中采用双分支（平均和最大）加权融合。\n    - 直觉：将过去T帧信息汇总到当前帧表示。\n    - 在本文中的角色：将ODA输出的T帧特征压缩为当前帧特征，便于预测。\n    - 前置知识：池化操作、特征融合。\n\n21. **Adaptive Focusing Mechanism (AFM) / 自适应聚焦机制**\n    - 定义：基于高斯分布的损失加权机制，动态调整困难样本、简单样本和无效样本的梯度权重。\n    - 直觉：让模型重点学习难样本，忽略低质量样本。\n    - 在本文中的角色：用于加权回归损失，提升收敛和泛化。\n    - 前置知识：损失函数、样本加权、高斯分布。\n\n22. **Regression Loss / 回归损失**\n    - 定义：用于度量预测值与真实值之间差异的损失，文中采用L2范数（均方误差）。\n    - 直觉：衡量位置预测的准确性。\n    - 在本文中的角色：用于行人位置回归，被AFM加权。\n    - 前置知识：损失函数、L2范数。\n\n23. **Classification Loss / 分类损失**\n    - 定义：用于分类任务的损失，文中采用二元交叉熵。\n    - 直觉：区分前景（行人）和背景。\n    - 在本文中的角色：用于预测行人存在性。\n    - 前置知识：交叉熵、二分类。\n\n24. **AP (Average Precision) / 平均精度**\n    - 定义：精度-召回曲线下的面积，是目标检测常用指标。文中使用AP_0.3和AP_0.5，表示关联距离阈值。\n    - 直觉：综合衡量模型在不同召回率下的精度。\n    - 在本文中的角色：主要评估指标，用于与基线比较。\n    - 前置知识：信息检索、目标检测评估。\n\n25. **ERF (Effective Receptive Field) / 有效感受野**\n    - 定义：见第6条，在Transformer中通过全局注意力获得更大的ERF。\n    - 直觉：全局信息捕获能力。\n    - 在本文中的角色：说明对比卷积局限，Transformer优势。\n    - 前置知识：感受野概念。\n\n### 概念依赖图（文本）\n\n- 2-D LiDAR → 点云 → Cutout → Backbone (1-D Conv) → 特征图\n- Backbone → 特征图 → ODA模块（T-Encoder 与 BS-Encoder）\n- ODA模块包含：主聚合流（T-Encoder） ← 来自辅助流（BS-Encoder）的特征注入\n- 主聚合流：T-Encoder（依赖MSA、位置编码、FFN、残差连接、LN）\n- 辅助流：BS-Encoder（依赖MSA、FFN、残差连接、LN，无位置编码）\n- 双流训练策略 → 推理时移除辅助流\n- ODA输出 → 时间池化（平均+最大加权）→ 分类头（分类损失）与回归头（回归损失）\n- 回归损失被AFM加权（AFM依赖高斯函数、历史损失移动平均）\n- 最终损失 = 分类损失 + AFM加权回归损失\n- 模型性能用AP、Peak-F1、EER等评估，基于DROW和JRDB数据集\n- 与Baseline（DROW、DR-SPAAM等）相比，展示有效性\n\n依赖关系链：2-D LiDAR → Cutout → Backbone → ODA（双向流） → 时间池化 → 预测 → 损失（含AFM）\n关键概念依赖：Transformer → MSA、位置编码、FFN、LN；ODA → T-Encoder、BS-Encoder；AFM → 高斯函数、损失加权。\n\n\n\n\n## 模块 G：联网核验与引用校对 / Module G: Verification and Citation Check\n\n## Module G：验证与核对\n\n### 1. 关键事实声明（至少两个来源）\n\n- **声明：** Li2Former在DROW数据集上达到AP_0.5=0.764，在JRDB数据集上达到AP_0.5=0.814，超越现有SOTA结果。\n  - **来源1：** 论文摘要（Abstract）明确写道“achieving 76.4% and 81.4% AP on the DROW and JRDB benchmark datasets, respectively, surpassing the existing state-of-the-art (SOTA) results”（见Abstract段落）。\n  - **来源2：** 论文Table I（表I）中Li2Former-A(T=5)行的数值显示，DROW数据集AP_0.5=0.764，JRDB数据集AP_0.5=0.814，与摘要一致。\n- **声明：** ODA模块采用双流训练策略，主聚合流处理时间特征，辅助特征流处理空间和批量特征，推理时移除辅助流。\n  - **来源1：** Section III-C-1（两流训练）中明确描述“the auxiliary feature stream can be removed during the inference stage”及结构细节（见Fig. 2和文字）。\n  - **来源2：** Figure 2标题（Fig. 2 Overall architecture）同样提及“a training only auxiliary feature stream”及“The time pooling module...”等。\n- **声明：** AFM基于高斯分布动态加权回归损失，用于聚焦困难样本。\n  - **来源1：** Section III-D（Adaptive Focusing Mechanism）中定义权重公式w_{t,i}并解释高斯函数作用（方程(9)及文字）。\n  - **来源2：** Figure 3标题（Fig. 3 Focusing weight curve demonstration）展示了聚焦曲线，验证AFM机制。\n\n### 2. 冲突或不确定性说明\n\n- **不确定性：** 论文未提供明确的发表年份和期刊/会议名称，仅从作者背景和参考文献推测可能为IEEE期刊（如IEEE Transactions on Instrumentation and Measurement），但无确切证据，故publication_date和publication_venue保持为空。\n- **潜在冲突：** 在JRDB数据集上，Li2Former的AP_0.3略低于DROW^p（下降0.4%），论文解释为局部归纳偏置和细节上下文信息损失，但未提供替代实验验证，存在一定主观性（见Section IV-B）。\n- **数据可复现性：** 论文提供了代码链接（<https://github.com/ai-winter/Li2Former-v1）但未提供数据集直接下载链接（DROW和JRDB需另行获取），可能影响复现。>\n\n### 3. 参考文献列表\n\n（提取自论文REFERENCES部分，按编号列出）\n\n- [^1] N. Robinson, T. Tidd, D. Campbell, D. Kulić, and P. Corke, “Robotic vision for human–robot interaction and collaboration: A survey and systematic review,” ACM Trans. Hum.-Robot Interact., vol. 12, no. 1, pp. 1–66, Mar. 2023.\n- [^2] A. Bonci, P. D. C. Cheng, M. Indri, G. Nabissi, and F. Sibona, “Human-robot perception in industrial environments: A survey,” Sensors, vol. 21, no. 5, p. 1571, Feb. 2021.\n- [^3] G. Chen et al., “Pseudo-image and sparse points: Vehicle detection with 2D LiDAR revisited by deep learning-based methods,” IEEE Trans. Intell. Transp. Syst., vol. 22, no. 12, pp. 7699–7711, Dec. 2021.\n- [^4] F. Bu, T. Le, X. Du, R. Vasudevan, and M. Johnson-Roberson, “Pedestrian planar LiDAR pose (PPLP) network for oriented pedestrian detection based on planar LiDAR and monocular images,” IEEE Robot. Autom. Lett., vol. 5, no. 2, pp. 1626–1633, Apr. 2020.\n- [^5] K. O. Arras, O. M. Mozos, and W. Burgard, “Using boosted features for the detection of people in 2D range data,” in Proc. IEEE Int. Conf. Robot. Autom., Apr. 2007, pp. 3402–3407.\n- [^6] A. Leigh, J. Pineau, N. Olmedo, and H. Zhang, “Person tracking and following with 2D laser scanners,” in Proc. IEEE Int. Conf. Robot. Autom. (ICRA), May 2015, pp. 726–733.\n- [^7] T. Taipalus and J. Ahtiainen, “Human detection and tracking with knee-high mobile 2D LiDAR,” in Proc. IEEE Int. Conf. Robot. Biomimetics, Dec. 2011, pp. 1672–1677.\n- [^8] C. Weinrich, T. Wengefeld, C. Schroeter, and H.-M. Gross, “People detection and distinction of their walking aids in 2D laser range data based on generic distance-invariant features,” in Proc. 23rd IEEE Int. Symp. Robot Human Interact. Commun., Aug. 2014, pp. 767–773.\n- [^9] X. Chen, J. Liu, J. Wu, C. Wang, and R. Song, \"LoPF: An online LiDAR-only person-following framework,\" IEEE Trans. Instrum. Meas., vol. 71, pp. 1–13, 2022.\n- [^10] L. Beyer, A. Hermans, and B. Leibe, \"DROW: Real-time deep learning-based wheelchair detection in 2-D range data,\" IEEE Robot. Autom. Lett., vol. 2, no. 2, pp. 585–592, Apr. 2017.\n- [^11] L. Beyer, A. Hermans, T. Linder, K. O. Arras, and B. Leibe, \"Deep person detection in two-dimensional range data,\" IEEE Robot. Autom. Lett., vol. 3, no. 3, pp. 2726–2733, Jul. 2018.\n- [^12] D. Jia, A. Hermans, and B. Leibe, \"DR-SPAAM: A spatial-attention and auto-regressive model for person detection in 2D range data,\" in Proc. IEEE/RSJ Int. Conf. Intell. Robots Syst. (IROS), Oct. 2020, pp. 10270–10277.\n- [^13] M. Bouazizi, C. Ye, and T. Ohtsuki, “2-D LiDAR-based approach for activity identification and fall detection,” IEEE Internet Things J., vol. 9, no. 13, pp. 10872–10890, Jul. 2022.\n- [^14] D. Jia, M. Steinweg, A. Hermans, and B. Leibe, “Self-supervised person detection in 2D range data using a calibrated camera,” in Proc. IEEE Int. Conf. Robot. Autom. (ICRA), May 2021, pp. 13301–13307.\n- [^15] Z. Hou, B. Yu, and D. Tao, “BatchFormer: Learning to explore sample relationships for robust representation learning,” in Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit. (CVPR), Jun. 2022, pp. 7256–7266.\n- [^16] Z. Peng et al., “Conformer: Local features coupling global representations for visual recognition,” in Proc. IEEE/CVF Int. Conf. Comput. Vis. (ICCV), Oct. 2021, pp. 367–376.\n- [^17] J. Kossen, N. Band, C. Lyle, A. N. Gomez, T. Rainforth, and Y. Gal, “Self-attention between datapoints: Going beyond individual input-output pairs in deep learning,” in Proc. Adv. Neural Inf. Process. Syst., vol. 34, 2021, pp. 28742–28756.\n- [^18] J. Ku, M. Mozifian, J. Lee, A. Harakeh, and S. L. Waslander, “Joint 3D proposal generation and object detection from view aggregation,” in Proc. IEEE/RSJ Int. Conf. Intell. Robots Syst. (IROS), Oct. 2018, pp. 1–8.\n- [^19] C. R. Qi, W. Liu, C. Wu, H. Su, and L. J. Guibas, “Frustum pointnets for 3D object detection from RGB-D data,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit., Jun. 2018, pp. 918–927.\n- [^20] A. H. Lang, S. Vora, H. Caesar, L. Zhou, J. Yang, and O. Beijbom, \"PointPillars: Fast encoders for object detection from point clouds,\" in Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit. (CVPR), Jun. 2019, pp. 12697–12705.\n- [^21] X. Zhang et al., \"RI-fusion: 3D object detection using enhanced point features with range-image fusion for autonomous driving,\" IEEE Trans. Instrum. Meas., vol. 72, pp. 1–13, 2023.\n- [^22] W. Wang, X. Chang, J. Yang, and G. Xu, \"LiDAR-based dense pedestrian detection and tracking,\" Appl. Sci., vol. 12, no. 4, p. 1799, Feb. 2022.\n- [^23] G. Zhou, D. Wang, Y. Yan, C. Liu, and Q. Chen, “6-D object pose estimation using multiscale point cloud transformer,” IEEE Trans. Instrum. Meas., vol. 72, pp. 1–11, 2023.\n- [^24] X. Pan, Z. Xia, S. Song, L. E. Li, and G. Huang, \"3D object detection with pointformer,\" in Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit. (CVPR), Jun. 2021, pp. 7463–7472.\n- [^25] J. Mao et al., “Voxel transformer for 3D object detection,” in Proc. IEEE/CVF Int. Conf. Comput. Vis. (ICCV), Oct. 2021, pp. 3164–3173.\n- [^26] P. Sun et al., “SWFormer: Sparse window transformer for 3D object detection in point clouds,” in Proc. Eur. Conf. Comput. Vis. (ECCV), Oct. 2022, pp. 426–442.\n- [^27] G. K. Erabati and H. Araujo, “Li3DeTr: A LiDAR based 3D detection transformer,” in Proc. IEEE/CVF Winter Conf. Appl. Comput. Vis. (WACV), Jan. 2023, pp. 4239–4248.\n- [^28] Y. Li et al., “DeepFusion: LiDAR-camera deep fusion for multi-modal 3D object detection,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognition., Jul. 2022, pp. 17182–17191.\n- [^29] X. Bai et al., “TransFusion: Robust LiDAR-camera fusion for 3D object detection with transformers,” in Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit., Jun. 2022, pp. 1090–1099.\n- [^30] S. Kiranyaz, O. Avci, O. Abdeljaber, T. Ince, M. Gabbouj, and D. J. Inman, \"1D convolutional neural networks and applications: A survey,\" Mech. Syst. Signal Process., vol. 151, Apr. 2021, Art. no. 107398.\n- [^31] Y. Huang, H. Bi, Z. Li, T. Mao, and Z. Wang, “STGAT: Modeling spatial-temporal interactions for human trajectory prediction,” in Proc. IEEE/CVF Int. Conf. Comput. Vis., Oct. 2019, pp. 6272–6281.\n- [^32] H. Xie, W. Song, and W. Kang, “MSBA-Net: Multiscale behavior analysis network for random hand gesture authentication,” IEEE Trans. Instrum. Meas., vol. 72, pp. 1–13, 2023.\n- [^33] Y.-Y. He, J. Wu, and X.-S. Wei, \"Distilling virtual examples for long-tailed recognition,\" in Proc. IEEE/CVF Int. Conf. Comput. Vis. (ICCV), Oct. 2021, pp. 235–244.\n- [^34] Z. Tong, Y. Chen, Z. Xu, and R. Yu, “Wise-IoU: Bounding box regression loss with dynamic focusing mechanism,” 2023, arXiv:2301.10051.\n- [^35] R. Martín-Martín et al., “JRDB: A dataset and benchmark of egocentric robot visual perception of humans in built environments,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 45, no. 6, pp. 6748–6765, Jun. 2023.\n- [^36] C. Pantofaru. (2010). Ros Leg Detector Package. Accessed: Feb. 22, 2018. [Online]. Available: <http://wiki.ros.org/leg_detector>\n- [^37] R. R. Selvaraju, M. Cogswell, A. Das, R. Vedantam, D. Parikh, and D. Batra, \"Grad-CAM: Visual explanations from deep networks via gradient-based localization,\" in Proc. IEEE Int. Conf. Comput. Vis. (ICCV), Oct. 2017, pp. 618–626.\n\n\n\n## 模块 H：图表与表格抽取（索引/打分/深读） / Module H: Figure/Table Mining (index, scoring, top deep dive)\n\n## 模块H：图表提取\n\n### 1. 完整索引\n\n| 编号 | 类型 | 标题/描述 | 位置 | 支持的结论 | 评分（1-5，5为最高） |\n|------|------|-----------|------|------------|---------------------|\n| 图1 | 示意图 | ODA模块在空间、时间、批次轴上的特征融合示意，对比单维聚合算子 | 第I节（引言） | 核心贡献：ODA模块设计动机，说明其优于单维聚合 | 5 |\n| 图2 | 架构图 | Li2Former整体架构：主干网络、级联ODA块、双流训练、时间池化、预测头 | 第III节（方法） | 方法总体结构，说明主/辅助流、时间池化等关键机制 | 5 |\n| 图3 | 机制图 | AFM中聚焦权重曲线的演示（α和δ参数的作用） | 第III-D节 | 自适应聚焦机制的原理，通过权重曲线说明困难样本加权 | 4 |\n| 表I | 结果表 | DROW和JRDB数据集上Li2Former与SOTA基线算法的定量比较（AP、Peak-F1、EER、GFLOPs、FPS） | 第IV-B节 | 主要实验结论：Li2Former在多数指标上超越SOTA，证明方法有效性 | 5 |\n| 图4 | 曲线图 | (a) 各模型在DROW测试集上的精确率-召回率曲线；(b) 计算复杂度(GFLOPs)与AP0.5的权衡图 | 第IV-B节 | Li2Former在合理计算复杂度下性能优于基线，且P-R曲线整体占优 | 4 |\n| 表II | 消融表 | ODA模块不同结构（串行、并行、不同流分配）在DROW测试集上的消融 | 第IV-D1节 | 验证双流训练中主/辅助流配置（T-Encoder主流+BS-Encoder辅流）最优 | 5 |\n| 表III | 消融表 | 不同级联层数（1-6）下Li2Former在DROW验证集上的性能 | 第IV-D1节 | 层数过多导致过拟合，3层为最佳平衡点 | 4 |\n| 图5 | 可视化图 | Grad-CAM可视化：DROW与Li2Former在不同场景（简单个体、人群、噪声干扰）的注意力分布 | 第IV-C节 | Li2Former在抑制背景噪声、突出前景人身上优于DROW | 5 |\n| 图6 | 曲线/柱状图 | (a) ODA块内主/辅助流特征差异随迭代变化；(b) 保留/去除辅助流时模型复杂度与精度对比 | 第IV-D2节 | 双流训练中特征差异逐渐收敛；推理时去除辅助流不损失精度且降低复杂度 | 4 |\n| 表IV | 消融表 | 时间池化不同方法（朴素求和、平均池化、1×1卷积、最大池化、时间池化）性能对比 | 第IV-D3节 | 提出的时间池化（加权平均+最大）最优 | 4 |\n| 表V | 消融表 | 不同α和δ组合下AFM参数对DROW验证集性能的影响 | 第IV-D4节 | 确定最优AFM参数（α=1.5, δ=0.33），验证参数敏感性 | 4 |\n| 图7 | 曲线图 | Li2Former有无AFM时的训练/测试损失曲线和AP曲线 | 第IV-D4节 | AFM加速收敛并保持较高精度 | 5 |\n| 图8 | 实物图 | 用于真实实验的自主移动机器人 | 第IV-E节 | 实验平台展示，支撑部署说明 | 2 |\n| 图9 | 可视化图 | 真实环境中DROW与Li2Former的检测结果对比（绿色点云、检测圆、机器人位置） | 第IV-E节 | 在真实场景中Li2Former减少误检，验证实用性 | 4 |\n| 表VI | 结果表 | 真实实验系统中各方法的内存、GFLOPs、FPS对比 | 第IV-E节 | Li2Former比基线稍慢但满足实际要求，表明可部署性 | 4 |\n\n### 2. 最高优先级深度阅读（3-5项）\n\n1. **图2（架构图）**：整体架构直接映射方法核心，包括双流（主/辅助）、级联ODA、时间池化、预测头。需结合第III-B到III-D节的公式（式1-14）理解数据流和维度变换。\n2. **表I（定量结果表）**：验证方法有效性的核心证据。需对比Li2Former-A与所有基线，注意DROW和JRDB上AP0.3、AP0.5、Peak-F1、EER的数值差异，并注意GFLOPs和FPS的实际平衡。\n3. **表II（ODA结构消融）**：证明双流训练中T-Encoder（主）+BS-Encoder（辅）设计的合理性，与串行、并行、交叉组合对比，支撑提出的关键模块。\n4. **图4（P-R曲线和权衡图）**：显示Li2Former在精度与计算量之间的平衡，特别是图4(a)中高频召回区域的细节，以及图4(b)中可扩展性（T1、T5）。\n5. **图7（AFM收敛可视化）**：直观展示AFM对训练收敛和精度提升的作用，与表V一起确定最优参数，证明AFM的有效性。\n\n### 3. 图关系或实验设置图\n\n**实验设置图（文本描述）**：\n\n- **训练/验证数据集**：DROW（2D LiDAR扫描，450点/帧）和JRDB（3D点云提取膝部10cm水平切片模拟2D信号）。\n- **评估指标**：AP_{0.3}、AP_{0.5}、Peak-F1、EER、GFLOPs、FPS。\n- **实现配置**：PyTorch，RTX 4090训练，RTX 2060测试，Adam优化器，batch=16，40轮，初始学习率1e-4指数衰减至1e-6。\n- **对比基线**：ROS leg detector、Arras、Leigh、DROW(T=1/5)、DR-SPAAM，以及伪标签增强版本。\n- **真实部署**：PEPPERL FUCHS R2000 2D LiDAR，Intel NUC（i7-8700U），RTX 2060笔记本，ROS节点。\n\n**图关系图（抽象）**：\n\n- 输入 → 主干网络（1D CNN） → 级联ODA块（每个含主T-Encoder、辅BS-Encoder） → 时间池化 → 分类/回归头 → 输出。\n- 图2是架构图；图1是动机图；图3是AFM权重曲线；图4、5、9是结果可视化；图6、7是消融可视化；图8是平台；表I-VI是数值。\n- 图9与表VI关联：真实实验结果；图4与表I关联：模拟结果。\n\n### 4. 图表与结论的映射\n\n| 结论 | 支持的图表 | 说明 |\n|------|------------|------|\n| ODA模块优于单维聚合，提升多维度特征交互 | 图1、表II | 图1概念展示，表II消融对比不同结构，最优为双流（Model-6） |\n| Li2Former在DROW和JRDB上达到SOTA精度 | 表I、图4(a) | 表I定量对比，图4(a)P-R曲线显示整体优势 |\n| 在合理计算开销下实现高性能 | 表I（GFLOPs/FPS）、图4(b) | 与基线相比计算量相当或略低，FPS稍低但可接受 |\n| 双流训练中辅助流可去除且不影响精度 | 图6(b)、表II Model-6注释 | 图6(b)显示与去除对比，去除后精度略高、复杂度降低 |\n| 时间池化方法优于传统聚合 | 表IV | 时间池化（加权平均+最大）在全部指标上最优 |\n| AFM加速收敛、提升精度 | 图7、表V | 图7显示收敛更快且AP更高，表V确定最优参数 |\n| 在真实环境中有效减少误检 | 图9、表VI | 图9对比DROW与Li2Former检测结果，表VI显示可接受的速度和内存占用 |\n| ODA层数过深导致过拟合 | 表III | 层数从3到6性能下降，验证3层最优 |"
}