{ "paper_id": "3978a0fe3bbfc824c71ebb9750a3df76", "paper_title": "People Detection and Tracking Using LIDAR Sensors", "paper_authors": [ "Claudia Álvarez-Aparicio", "Ángel Manuel Guerrero-Higueras", "Francisco Javier Rodríguez-Lera", "Jonatan Ginés Clavero", "Francisco Martín Rico", "Vicente Matellán" ], "publication_date": "31 August 2019", "publication_venue": "Robotics", "abstract": "针对在多人互动环境中使用低分辨率LIDAR传感器进行人员检测和跟踪的挑战，本文提出了一种基于单个LIDAR传感器的解决方案。该系统基于People Tracker包（PeTra），利用卷积神经网络识别人的腿部，并通过卡尔曼滤波器对位置估计进行时间关联以实现连续跟踪。在经欧洲机器人联盟认证的测试环境中进行了实验，验证了该方法在复杂场景下的有效性。", "keywords": [ "LIDAR", "convolutional networks", "people tracking", "@home", "robotics competitions" ], "paper_institutions": [ "Supercomputación Castilla y León (SCAyLE)", "University of León", "Universidad Rey Juan Carlos" ], "output_language": "zh", "provider": "doubao", "model": "ark-code-latest", "prompt_template": "simple", "extracted_at": "2026-08-16T19:47:52.689595Z", "template_tag": "deep_read", "summary": "# People Detection and Tracking Using LIDAR Sensors\n\n\n**作者 / Authors:** Claudia Álvarez-Aparicio, Ángel Manuel Guerrero-Higueras, Francisco Javier Rodríguez-Lera, Jonatan Ginés Clavero, Francisco Martín Rico, Vicente Matellán\n\n\n**单位 / Institutions:** Supercomputación Castilla y León (SCAyLE), University of León, Universidad Rey Juan Carlos\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 2019-08-31\n\n\n\n**期刊/会议 / Publication Venue:** MDPI 开放获取期刊（未明确具体刊名）\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: 阅读对齐与输入验证\n\n### 1. 论文元数据\n\n- **标题**: People Detection and Tracking Using LIDAR Sensors\n- **作者**:\n - Claudia Álvarez-Aparicio (Supercomputación Castilla y León, SCAyLE)\n - Ángel Manuel Guerrero-Higueras (University of León, 通讯作者)\n - Francisco Javier Rodríguez-Lera (University of León)\n - Jonatan Ginés Clavero (Universidad Rey Juan Carlos)\n - Francisco Martín Rico (Universidad Rey Juan Carlos)\n - Vicente Matellán (Supercomputación Castilla y León)\n- **发表载体**: 2019年8月31日在线发表，收到日期2019年7月15日，接受日期2019年8月28日；疑似MDPI旗下开放获取期刊（未在文档中明确标注刊名），版权归作者所有（CC BY 4.0）。\n\n### 2. 研究定位\n\n- **研究领域**: 机器人感知与人物跟踪，具体为基于2D LIDAR的移动机器人人物检测与跟踪。\n- **具体任务**: 利用单个LIDAR传感器，通过改进的卷积神经网络（CNN）和卡尔曼滤波器实现人物位置估计的时序关联，从而持续跟踪场景中的个体。\n- **目标用户/应用场景**: 服务机器人（特别是参加RoboCup@home或欧洲机器人联赛的机器人）在室内服务、人机交互、导航辅助等任务中的实时人物跟踪。\n\n### 3. 输入材料清单\n\n- **PDF**: 是（提供了完整论文文本）\n- **附录/补充材料**: 未明确提供（文中提及演示视频链接和数据集链接，但未作为附件）\n- **代码链接**: 是（ROS Wiki: ）\n- **数据集链接**: 是（Rosbag文件及基准数据集: ）\n\n### 4. 缺失材料与风险\n\n- **缺失项**:\n - 论文未提供CNN训练细节的具体超参数和训练数据规模（仅引用前作[^11]）；\n - 未给出Kalman滤波器调参的具体过程；\n - 未提供演示视频的直接嵌入，仅有YouTube链接；\n - 未提供实验原始Rosbag文件（虽然提及可在线获取，但本文未附）。\n- **可能影响**: 可复现性受限，尤其是CNN设计和卡尔曼滤波参数设置难以独立复现；但官方代码和数据集可部分弥补。\n\n### 5. 阅读路线（3-6步）\n\n- **步骤1**: 快速浏览摘要、引言、结论，把握核心贡献（PeTra新版本引入卡尔曼滤波关联），并确认论文类型属于方法改进。\n- **步骤2**: 阅读第2节（材料与方法），重点理解PeTra原有架构、CNN设计修改、卡尔曼滤波矩阵初始化，以及实验场景设置（3个场景）。\n- **步骤3**: 阅读第3节（结果），对比表1中欧氏距离与卡尔曼滤波的误差，注意场景3的显著改进。\n- **步骤4**: 阅读第4节（讨论），结合图7、图8理解误差随时间的变化，并分析性能提升（表2、表3）。\n- **步骤5**: 回顾参考文献[^11]和[^23]，理解本研究与前作的关系。\n- **步骤6**: 如有时间，查看官方代码和数据集，尝试复现实验。\n\n### 分类理由（简短）\n\n- 本文的主要贡献是提出了一种新的方法：将卡尔曼滤波用于PeTra的位置关联，并优化了CNN设计，属于算法/模型层面的改进。虽然实现了ROS系统，但核心是方法创新，因此归类为`method`。\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**：方法改进/系统实现论文，属于 robotics / computer vision 领域中的 people detection and tracking 研究。\n- **类别**：基于单一 LIDAR 传感器的人物检测与跟踪系统，核心贡献为对已有 PeTra 包进行改进（引入卡尔曼滤波进行位置估计关联，并优化 CNN 设计），属于算法/系统层面的方法创新。\n\n### 2. 背景与研究背景\n\n- 研究动机源于 RoboCup@home 等机器人竞赛，服务机器人需具备检测和跟踪人物的能力（如迎宾、跟随等）。\n- 常用传感器包括视觉和距离传感器，但视觉易受遮挡和噪声影响；LIDAR 可靠、廉价、计算效率高，广泛用于导航和 SLAM。\n- 人体跟踪通常选择头部、躯干或腿部作为跟踪目标，本文采用腿部检测（一对腿）作为跟踪特征，因为其鲁棒性和实用性。\n- 已有工具 PeTra（People Tracker）基于 U-Net 卷积神经网络识别腿部，但仅能检测，无法持续跟踪；本文在其基础上添加位置关联（Kalman filter）并优化网络设计。\n- 相关研究：前作 [^11] 提出 PeTra，[^23] 使用欧氏距离进行关联但在轨迹交叉时失效；本文旨在解决交叉轨迹下的跟踪问题。\n\n### 3. 直观正确性检验（关键假设与合理性）\n\n- **假设1**：单 LIDAR 传感器放在低处（~30-50 cm），能够捕捉腿部轮廓，形成两对半圆形图案。合理性：LIDAR 扫描平面在腿部位置，一对腿在占用栅格中自然呈现两个半圆，U-Net 可识别。\n- **假设2**：人行走速度近似恒定（Kalman filter 采用恒速模型）。合理性：在短时间跟踪内，速度变化不大，恒速模型是常见近似，且可通过过程噪声补偿。\n- **假设3**：KIO RTLS 提供的 ground-truth 平均误差 ±30 cm，可作为参考真实位置。合理性：虽存在区域误差差异，但平均误差符合厂家声明，作者已验证过。\n- **假设4**：特征关联区域中，Kalman 预测比欧氏距离更能处理轨迹交叉。合理性：Kalman 利用速度和方向信息预测下一时刻位置，避免了欧氏最近邻在交叉点可能匹配到错误对象的问题。\n- 整体假设贴合实际场景，实验验证结果支持其有效性。\n\n### 4. 核心贡献（3-5 条）\n\n1) 提出基于 Kalman 滤波的位置估计关联方法，解决了多人轨迹交叉时欧氏距离关联失效的问题，显著降低场景 3 的跟踪误差（由 0.95/1.04 m 降至 0.44/0.39 m）。\n2) 对 PeTra 的 CNN 设计进行优化（保持 5 层但减少每层输出滤波器数量），在保持精度的同时提高速度（平均发布率从 6.299 Hz 提升到 10 Hz）。\n3) 将整个系统集成并发布为新的 PeTra 版本，作为 ROS 包开源（），提供即用型人物跟踪系统。\n4) 在 ERL 认证的 Leon@home Testbed 中进行了系统实验，评估了不同场景（单人、双人、双人交叉轨迹）下的跟踪精度和资源消耗。\n\n### 5. 清晰度评估\n\n- **结构**：论文遵循标准结构（引言、材料与方法、结果、讨论、结论），逻辑清晰，各部分衔接自然。\n- **图表**：使用了多个图和表（图1场景和机器人、图2 PeTra运行步骤、图3 CNN结构、图4 Kalman矩阵、图5-6 Rviz和相机输出、图7-8误差随时间变化）以及表1-3（误差、性能、资源消耗），直观展示实验结果。\n- **公式**：包括关键公式（欧氏距离误差计算）和 Kalman 初始矩阵，且对矩阵含义有明确说明。\n- **可读性**：文字表述清晰，但个别地方有重复（如“each scan consists of a matrix of only a few hundred integers”重复两次），可能源于编辑遗漏。总体清晰易懂。\n\n### 6. 继续或停止建议\n\n- **建议**：继续。\n- **理由**：论文提出具体方法改进并用实验验证，对于需要了解人物跟踪系统实现细节、或关注 LIDAR 感知和 Kalman 滤波应用的读者具有直接参考价值。论文较短（5页），信息密度高，且开源代码可复现，值得进入第二遍精读以理解实现细节、实验设计和潜在局限。\n\n### 7. 结构提纲（Markmap）\n\n```markmap\n# People Detection and Tracking Using LIDAR Sensors\n## 1. Introduction\n### 背景：机器人竞赛和 @home 任务\n### 问题定义：人检测和跟踪（近距感知、数据获取、分类）\n### 现有方法简述（躯干、腿部、多传感器）\n### PeTra 介绍及不足\n### 本文贡献：Kalman 过滤关联 + CNN 优化\n## 2. Materials and Methods\n### 2.1 KIO RTLS（Ground-truth 设备）\n### 2.2 Orbi-One 机器人\n### 2.3 PeTra\n#### 原有操作流程（占用地图→CNN→质量中心）\n#### 新版本改进：CNN 结构优化、Kalman 过滤关联\n### 2.4 评估方法\n#### 误差定义（欧氏距离）\n#### 数据集：三个场景（单人、双人、交叉轨迹）\n## 3. Results\n### 误差对比表（表1）\n### 时间序列误差图（图7、8）\n### 性能数据（表2：发布率；表3：资源消耗）\n## 4. Discussion\n### 场景1、2 结果与前作一致\n### 场景3 欧氏距离失效，Kalman 显著改善\n### 速度提升和资源节省分析\n## 5. Conclusion\n### 主要贡献和优势\n### 未来工作（测试多人以上场景）\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## Module C1: 论文试图解决什么问题？\n\n### 1. 一句话问题定义\n\n本文旨在解决在低分辨率LIDAR传感器（单线2D LIDAR）下，服务机器人在复杂室内环境（尤其是有多个人交互、轨迹交叉的场景）中持续检测并跟踪特定人物的挑战性问题。\n\n### 2. 痛点或缺陷（2-4条）\n\n- **传感器限制**：机器人常使用低分辨率LIDAR（安装高度约30-50cm），缺乏颜色和深度信息，人物检测易受环境杂波（如桌腿、椅子、植物树干）干扰，识别腿部模式困难。\n- **现有方法不足**：基于视觉传感器（相机）易受光照和人群遮挡影响，而多数距离传感器方案依赖多传感器融合，增加成本和计算负担。\n- **PeTra原始版本缺陷**：已有的人体跟踪工具PeTra只负责检测人物（识别腿部），无法提供跨时间的轨迹关联，不能实现持续跟踪；其CNN设计基于U-Net原始结构，参数量大，计算开销高，实时性能受限。\n- **简单关联方法的缺陷**：先前提出的基于欧氏距离的最近邻关联（[^23]）在人物轨迹交叉时会错误关联，导致跟踪误差显著增大（场景3中平均误差升至0.95m和1.04m）。\n\n### 3. 形式化目标或优化目标（如存在）\n\n文中未给出显式的数学优化目标（如损失函数），但隐含的系统目标为：在给定LIDAR扫描序列下，通过Kalman滤波预测人物下一时刻位置，最小化位置估计的均方误差，从而正确关联同一人物的连续检测结果。具体表现为：\n\n- 使用Kalman滤波器（恒定速度模型）预测每个被检测人物的未来状态，将当前时刻的检测与预测状态进行关联，替换原有的欧氏距离最近邻匹配。\n- 同时优化CNN网络结构（减少卷积层输出滤波器数量）以降低计算量并保持检测精度。\n\n### 4. 成功标准（指标或期望属性）\n\n- **定位精度**：利用KIO RTLS提供的ground-truth（平均误差±30cm）计算PeTra估计误差$e_{PeTra}$（欧氏距离），在三个场景（单人、双人、双人轨迹交叉）下，采用Kalman滤波后平均误差应显著低于欧氏距离方法，尤其在场景3（轨迹交叉）中，误差应大幅降低（实验表明从约0.95/1.04m降至约0.44/0.39m）。\n- **实时性**：满足机器人实时处理需求，发布频率至少达到10 Hz（新版本实测平均10 Hz，旧版本6.299 Hz）。\n- **资源消耗**：降低计算资源需求，内存占用显著减少（从549,288 KB降至247,036 KB），CPU使用率略有下降（从446%降至430%），且每迭代时间降至0.03358s。\n- **鲁棒性**：在多达两人的复杂场景（含轨迹交叉）中保持稳定的关联性能，误差波动小（标准偏差降至0.15-0.26m）。\n- **可部署性**：作为ROS包开源发布，适用于低计算能力的移动机器人平台，可直接用于@home竞赛等场景。\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: 相关工作定位\n\n### 1. 最强基线及其比较轴\n\n- **最强基线**：PeTra 第一版（参见文献[^11]）以及作者此前提出的基于欧氏距离的关联方法（文献[^23]）是本文最直接的基线。此外，广泛使用的 **Leg Detector** 工具也被视为对比对象（摘要及第1节提及）。\n- **比较轴**：主要在 **轨迹关联精度**（用e_PeTra平均误差与标准差衡量，见表1）、**跨轨迹场景的鲁棒性**（场景3交叉轨迹）、**发布频率**（表2，6.299 Hz vs 10 Hz）以及 **资源消耗**（表3，内存下降55%）上进行对比。\n\n### 2. 最接近的方法与关键差异\n\n- **最接近方法**：作者前作中提出的基于欧氏距离的最近邻关联方法（参考文献[^23]）。该方法同样基于PeTra的CNN检测输出，通过计算位置估计的欧氏距离将不同时刻的检测关联起来。\n- **关键差异**：本文用 **卡尔曼滤波器** 替代欧氏距离进行位置估计的时序关联。卡尔曼滤波器利用恒定速度模型预测下一时刻位置，从而在人们轨迹交叉时避免错误关联，显著降低场景3的误差（平均误差从0.95/1.04 m降至0.44/0.39 m，见表1）。\n- **方法对比**：欧氏距离法低计算负担但无法处理交叉轨迹；卡尔曼滤波法以微小额外计算换得大幅鲁棒性提升。\n\n### 3. 正交方向\n\n- **多传感器融合**：如文献[^9]采用视觉与激光多传感器融合的方法（例如结合RGB-D相机与LIDAR），而本文仅使用单个2D LIDAR，架构上属于不同路线。\n- **身体部位跟踪**：部分工作（如文献[^7][^8]）跟踪躯干或肩部，而本文专注腿部检测，属于不同的感知特征选择。\n- **其他CNN架构**：与使用全卷积网络或不同分割模型的方案（如文献[^17][^18]）相比，本文基于U-Net但针对腿部模式进行了网络瘦身优化，属于网络层面的正交设计。\n\n### 4. 一句话定位\n\n本文在PeTra CNN检测的基础上引入卡尔曼滤波进行位置关联，提出并开源了一个仅依赖单个2D LIDAR、面向@home机器人竞赛的实时人物跟踪系统，在交叉轨迹场景下相比欧氏距离法显著提升了跟踪精度。\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本文提出的系统基于 PeTra（People Tracker）包，通过单个 2D LIDAR 传感器实现人物检测与跟踪。核心机制分为三个层次：\n\n- **人物检测**：使用 U-Net 架构的卷积神经网络（CNN）从 LIDAR 构建的占据网格图中识别人的双腿（即一对半圆形模式）。\n- **位置估计**：对 CNN 输出的腿部区域进行质心计算，得到人物位置估计（ROS 消息）。\n- **时序关联（跟踪）**：引入卡尔曼滤波器（Kalman filter）对多帧位置估计进行关联，预测人物下一时刻的位置，解决轨迹交叉时的错误匹配问题（此前使用欧氏距离关联，在轨迹交叉时失效）。\n\n同时，对 CNN 网络结构进行了优化（减少卷积核数量），提高了处理速度（发布频率从 6.299 Hz 提升至 10 Hz），并降低了内存消耗（降低 55%）。\n\n### 2. 步骤分解（基于论文第 2.3 节）\n\n### 步骤 1：LIDAR 数据采集\n\n- 单个 LIDAR 传感器（位于机器人移动基座）以约 20-30 Hz 频率获取距离扫描数据。\n- 传感器安装高度约 30-50 cm，用于障碍物检测，同时用于人物检测。\n\n### 步骤 2：构建占据网格图\n\n- 将 LIDAR 读数转换为二维占据网格图像（图 2c），白色像素表示障碍物，黑色表示无障碍。\n\n## 步骤 3：CNN 推理（人物腿部检测）\n\n- 将占据网格图输入改进的 U-Net CNN（图 3），输出检测到双腿的区域（图 2d）。\n- CNN 设计调整：保持 5 层，减少每层卷积的输出滤波器数量，仅需识别特定模式（双腿），以提升速度和资源效率。\n\n## 步骤 4：质心计算\n\n- 对 CNN 输出进行质量中心计算，得到人物位置坐标 $(x, y)$，并作为 ROS 消息发布。\n\n## 步骤 5：位置估计的时序关联（卡尔曼滤波器）\n\n- 使用卡尔曼滤波器预测每个人物在下一时刻的位置（未来状态）。\n- 将当前帧的估计与预测位置匹配，实现持续跟踪。\n- 滤波器初始化参数见图 4，采用恒定速度模型。\n\n## 步骤 6：输出与评估\n\n- 输出跟踪轨迹（ROS 话题），并与 KIO RTLS 提供的真值数据比较计算误差。\n\n### 3. 关键公式或模块角色\n\n## 误差计算（论文第 2.4 节）\n\nPeTra 精度误差 $e_{PeTra}$ 定义为：\n\n$$\ne_{PeTra} = \\begin{cases} \\text{Max. range value} & \\text{if } \\nexists l_{PeTra} \\\\ d(l_{PeTra}, l_{KIO}) & \\text{if } \\exists l_{PeTra} \\end{cases} \\tag{1}\n$$\n\n其中 $l_{PeTra}$ 和 $l_{KIO}$ 分别为 PeTra 和 KIO 的位置估计，$d(\\cdot)$ 为欧氏距离：\n\n$$\nd(l_{PeTra}, l_{KIO}) = \\sqrt{\\sum_{i=1}^{n} (l_{PeTra_i} - l_{KIO_i})^2} \\tag{2}\n$$\n\n实验中 $n=2$（仅考虑 x,y 坐标）。\n\n## 卡尔曼滤波器参数（图 4）\n\n- 状态向量 $X = [x, y, \\dot{x}, \\dot{y}]^T$（位置和速度）\n- 协方差矩阵 $P = 10 \\cdot I_4$（初始不确定性）\n- 动力学矩阵 $A = \\begin{bmatrix} 1 & 0 & 1 & 0 \\\\ 0 & 1 & 0 & 1 \\\\ 0 & 0 & 1 & 0 \\\\ 0 & 0 & 0 & 1 \\end{bmatrix}$（恒定速度模型）\n- 测量矩阵 $H = \\begin{bmatrix} 1 & 0 & 0 & 0 \\\\ 0 & 1 & 0 & 0 \\end{bmatrix}$（仅观测位置）\n- 过程噪声协方差 $Q = I_4$\n- 测量噪声协方差 $R = I_2$\n\n卡尔曼滤波器的作用：预测下一时刻每个被跟踪人物的位置，将新的 LIDAR 帧检测结果与预测匹配，从而在轨迹交叉时避免错误关联。\n\n### 4. 过程流程图\n\n```mermaid\nflowchart TD\n A[\"LIDAR 数据扫描\"] --> B[\"构建占据网格图\"]\n B --> C[\"CNN (U-Net) 检测双腿\"]\n C --> D[\"质心计算得到位置估计\"]\n D --> E{\"是否已有跟踪轨迹?\"}\n E -- 否 --> F[\"初始化卡尔曼滤波器 (设置 X, P, A, H, Q, R)\"]\n E -- 是 --> G[\"卡尔曼滤波预测下一时刻位置\"]\n F --> H[\"将当前估计关联为新轨迹\"]\n G --> I[\"将当前估计与预测关联\"]\n H --> J[\"发布跟踪结果 (ROS 话题)\"]\n I --> J\n J --> K[\"回到 LIDAR 数据扫描\"]\n```\n\n该流程图展示了系统主要处理流程：从传感器数据到检测再到跟踪的闭环。\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## Module C4: 数据集、基准与实现/评估设置\n\n### 1. 数据集/基准列表\n\n- **PeTra 评估数据集（ROS bag 文件）**：新收集的评估数据集，包括三个场景，每个场景对应一个 Rosbag 文件。数据由 Orbi-One 机器人在 Leon@home Testbed（欧洲机器人联盟认证的测试环境）的模拟公寓中，机器人静止于固定位置，人员携带 KIO 标签（RTLS，实时定位系统）在机器人前方移动时录制。\n - 场景1：单人移动（1 人）\n - 场景2：双人移动（2 人）\n - 场景3：双人移动且轨迹交叉（2 人，交叉）\n- **地面真值标签**：由商用实时定位系统（KIO RTLS）提供，系统包含固定位置的锚点（Anchor）和人员携带的标签（Tag），标签位置（x,y）作为真值。KIO 设备的平均误差为 ±30 cm（根据制造商规格，经作者校准，平均误差正确）。\n- **公开基准数据集**：论文中引用了已有的公共数据集“Range-based people tracker classifiers Benchmark”（RRID:SCR_01574），用于 PeTra 早期版本的评估。该数据集提供 ROS bag 文件，可在 Frontiers 网站获取。本文新评估主要使用新收集的数据。\n- **评估数据集在线可用**：新收集的 Rosbag 文件可在 Robotics Group of the University of León 网站获取（参见参考文献[^19]）。\n\n### 2. 预处理与划分/覆盖设置\n\n- **数据采集设置**：Orbi-One 机器人（装有 LIDAR 传感器、RGB-D 相机等，搭载 Intel Core i7 CPU、8GB RAM，运行 ROS 框架）固定在模拟公寓的某个位置。实验人员（1或2人）携带 KIO Tag 在机器人前方移动，同时记录 LIDAR 扫描、相机图像和 KIO 真值数据。\n- **数据格式**：每个场景一个 Rosbag 文件，包含机器人状态记录（LIDAR 读数、PeTra 输出等）。\n- **预处理**：PeTra 将 LIDAR 扫描转换为二维占用地图（占用栅格图），输入到 CNN。CNN 输出检测到腿部对的占用图，再通过质心计算得到人员位置估计。\n- **划分/覆盖**：三个场景分别代表单人、双人、双人交叉轨迹的典型情况，覆盖了真实比赛（ERL/RoboCup）中常见的场景。\n- **评估方法**：将 PeTra 的位置估计（l_PeTra）与 KIO 真值（l_KIO）比较，当存在有效估计时计算欧氏距离；若无有效估计，则误差设置为最大值。误差公式见式(1)和(2)，仅考虑x、y坐标（n=2）。\n\n### 3. 训练/推理/评估环境（如适用）\n\n- **机器人平台**：Orbi-One 服务机器人（Robotnik 制造），配备 2D LIDAR（位于移动底座）、RGB-D 相机（头部）、机械臂等；内置 Intel Core i7 CPU、8GB RAM；软件基于 ROS 框架。\n- **CNN 训练**：PeTra 基于 U-Net 架构，采用全卷积网络进行人员腿部检测。训练细节（超参数、数据规模）未在本文给出，引用参考文献[^11]。本文对 CNN 设计进行了优化（减少每层输出滤波器数量），通过交叉验证[^22]确定，优化后性能提升。\n- **Kalman 滤波器**：使用 OpenCV 库（版本 3.1.1）实现，采用恒定速度模型，初始状态矩阵、协方差矩阵等见图4。\n- **推理与评估**：实验在 Leon@home Testbed 中进行，机器人静止，数据集通过 Rosbag 录制。误差计算基于 KIO 真值，统计平均误差和标准差，并绘制误差随时间的变化曲线（图7、图8）。性能评估包括发布频率、资源消耗（CPU、内存）对比，见表2、表3。\n- **评估环境**：Leon@home Testbed 是欧洲机器人联盟（ERL）认证的测试环境，位于 University of León 的移动机器人实验室，模拟真实家庭环境。\n\n### 4. 这些选择为何重要，以及它们验证了什么\n\n- **使用 KIO RTLS 作为真值**：提供了厘米级精度的地面真值（平均误差±30 cm），能够量化评估 PeTra 的定位误差，验证系统在真实场景中的准确性。\n- **设计三个场景**：逐步增加复杂度，从单人、双人到双人交叉轨迹，覆盖了实际应用中（如比赛或家庭环境）的主要挑战。场景3专门测试轨迹交叉时的跟踪鲁棒性，这是传统欧氏距离关联方法的弱点，从而验证 Kalman 滤波关联的优越性。\n- **使用 Rosbag 录制**：保证实验可重复，便于离线分析误差时间序列。\n- **对比两种关联方法**：通过直接对比欧氏距离与 Kalman 滤波在相同场景下的误差（表1），验证 Kalman 滤波在交叉场景中的显著优势（场景3中，平均误差从0.95/1.04 m降至0.44/0.39 m）。\n- **性能与资源消耗评估**：新版本发布速率从6.299 Hz提升至10 Hz，内存消耗降低55%，验证了 CNN 设计优化的有效性，以及系统在低计算能力平台上的可用性，适合@home比赛等实时应用。\n- **使用公共/自采数据集**：并结合公开基准（RRID:SCR_01574）进行前期评估，确保方法有效性（引用[^11]），新数据集则针对新特性（关联）进行验证，使评估更全面。\n\n总体而言，这些数据集和评估设置充分验证了 PeTra 新版在人员检测与跟踪上的精度、鲁棒性和效率，特别是 Kalman 滤波关联在轨迹交叉场景中的明显改进，同时证明了系统在真实家庭环境中的实用性。\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. 指标与定义\n\n- **精度误差（$e_{PeTra}$）**：定义为PeTra输出位置估计（$l_{PeTra}$）与KIO定位系统提供的真实位置（$l_{KIO}$）之间的欧氏距离。当不存在有效的PeTra估计时，$e_{PeTra}$取最大量程值（见公式(1)）。\n 公式(1): $e_{PeTra} = \\begin{cases} \\text{Max.range value} & \\text{if } \\nexists l_{PeTra} \\\\ d(l_{PeTra}, l_{KIO}) & \\text{if } \\exists l_{PeTra} \\end{cases}$\n 其中 $d(l_{PeTra}, l_{KIO}) = \\sqrt{\\sum_{i=1}^{n}(l_{PeTra_i}-l_{KIO_i})^2}$，本实验中 $n=2$（仅x、y坐标）。\n\n- **平均误差与标准差**：对每个场景中所有时间步的 $e_{PeTra}$ 取平均值 $\\bar{X}_{e_{PeTra}}$ 和标准差，用于衡量系统准确性和稳定性。\n\n- **性能指标**：包括位置估计发布频率（Hz）、发布间隔（s）、CPU使用率（%）、内存占用（KB）、迭代次数及每次迭代平均耗时（s/iteration）。\n\n### 2. 主要结果\n\n#### 表1：三个场景下平均误差与标准差（单位：米）\n\n| 场景 | 人物 | 欧氏距离相关 | 卡尔曼滤波相关 |\n|------|------|---------------|----------------|\n| 1 | 第1人 | 0.41 (±0.22) | 0.40 (±0.20) |\n| 2 | 第1人 | 0.45 (±0.30) | 0.41 (±0.25) |\n| 2 | 第2人 | 0.41 (±0.15) | 0.41 (±0.14) |\n| 3 | 第1人 | 0.95 (±0.66) | 0.44 (±0.15) |\n| 3 | 第2人 | 1.04 (±0.91) | 0.39 (±0.26) |\n\n- 在场景1（单人）中，两种相关方法误差相近（约0.40–0.41 m），且标准差较小（0.20–0.22 m）。\n- 在场景2（双人并行）中，卡尔曼滤波稍优于欧氏距离，特别是第一人误差从0.45 m降至0.41 m，标准差从0.30降至0.25。\n- 在场景3（轨迹交叉）中，欧氏距离相关方法误差显著增大（第一人0.95 m，第二人1.04 m），标准差分别达0.66和0.91 m，表明轨迹交叉时相关失效；而采用卡尔曼滤波后，误差降至0.44 m和0.39 m，标准差分别降至0.15和0.26，改善明显。\n\n#### 表2：新旧版本发布性能对比\n\n| 版本 | 平均发布频率（Hz） | 最小间隔（s） | 最大间隔（s） | 标准差（s） | 样本窗口 |\n|------|-------------------|---------------|---------------|-------------|----------|\n| 第一版 | 6.299 | 0.140 | 0.184 | 0.00810 | 373 |\n| 新版本 | 10.000 | 0.089 | 0.111 | 0.00326 | 595 |\n\n- 新版本发布频率提升约58.7%（从6.299 Hz到10 Hz），且发布间隔更稳定（标准差从0.00810降至0.00326）。\n\n#### 表3：资源消耗对比\n\n| 版本 | CPU使用率（%） | 内存占用（KB） | 采样时长（s） | 迭代次数 | 每次迭代时间（s） |\n|------|----------------|----------------|----------------|----------|------------------|\n| 第一版 | 446 | 549,288 | 59.27 | 383 | 0.154752 |\n| 新版本 | 430 | 247,036 | 59.7053 | 1778 | 0.03358 |\n\n- 新版本CPU使用率略降（3%），内存占用大幅降低（55%），迭代次数增加78%（383→1778），每次迭代时间从0.1548 s降至0.0336 s，计算效率显著提高。\n\n### 3. 与基线和先前工作的比较\n\n- **与先前PeTra版本 [^11] 比较**：本工作（新版本）通过优化CNN设计（减少卷积层输出滤波器数量）和引入卡尔曼滤波相关，在精度上与第一版在场景1和2相近（均值约0.40 m），但在场景3（轨迹交叉）上显著提升（误差从0.95–1.04 m降至0.39–0.44 m）。同时发布频率和资源效率大幅改善。\n- **与仅用欧氏距离相关的方法 [^23] 比较**：欧氏距离相关在行人轨迹交叉时会错误匹配身份，导致误差剧增（场景3）。卡尔曼滤波通过预测运动方向避免了该问题，场景3改善幅度达50%以上。\n- **与KIO地面真值精度**：KIO设备平均误差为±30 cm，本文误差（约0.40 m）略高于该值，考虑到PeTra估计本身也存在误差，结果合理。\n- **文献中的其他人员检测方法**：本文未直接与其他方法（如Leg Detector等）进行定量比较，但基于公开数据集 [^20] 的先前评估已显示PeTra优于Leg Detector（见[^11]）。\n\n### 4. 消融/敏感性分析\n\n- **场景消融**：通过设计三个递进场景（1：单人；2：双人并行；3：双人交叉）来测试系统复杂性和轨迹交叉的影响。结果明确显示：\n - 欧氏距离相关在场景1和2表现良好（误差约0.41–0.45 m），但在场景3崩溃（误差约1 m）；\n - 卡尔曼滤波在场景3中恢复良好，误差接近场景1水平（约0.40 m）。\n- **相关方法敏感性**：比较两种相关策略（欧氏距离 vs 卡尔曼滤波）在相同场景下的性能差异，证明卡尔曼滤波对轨迹交叉的鲁棒性。\n- **CNN设计变化**：未提供逐层消融实验，但通过减少卷积滤波器数量，在保持精度前提下提升了处理速度（见表2、3），可视为对网络复杂度的一种敏感性分析。\n- **数据规模**：未提供训练数据规模的敏感性分析，但使用了公开基准数据集 [^20] 进行训练和验证。\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## Module C6: 可探索的下一步方向\n\n### 理论方向\n\n- **多目标与轨迹交叉的深层模型**：本文使用恒定速度模型的卡尔曼滤波器（第2.3.2节，图4c）来关联位置估计，但仅支持匀速假设下的线性运动。未来可探索更复杂的运动模型（如恒定加速度、交互模型或基于学习的运动预测），以处理人群密集、频繁交叉或突然转向的场景，并理论上分析滤波器参数（如过程噪声协方差Q、测量噪声R）对跟踪性能的影响（第4节，图8c）。\n- **多传感器融合理论框架**：当前仅使用单一LIDAR传感器（第1节，引言），未来可构建多传感器（如RGB-D相机与LIDAR）的信息融合理论框架，利用卡尔曼滤波或粒子滤波统一估计状态，并研究不同传感器噪声模型对融合后精度的影响。\n\n### 工程方向\n\n- **扩展到多人实时跟踪的工程实现**：实验仅涉及最多两人（第2.4节，评估数据集），作者在结论（第5节）中明确表示需测试两人以上场景。工程上可优化CNN和卡尔曼滤波的关联逻辑，避免身份交换（ID-switch）问题，并评估在嵌入式或低算力平台（如Orbi-One的Intel Core i7）上的实时性能（第2.2节）。\n- **开源系统的模块化与可复用性**：PeTra已作为ROS包发布（第2.3.2节，[^12]），未来可将其进一步模块化，提供更友好的配置接口、参数自动调优工具，以及与其他导航、交互模块的集成接口，便于在@home竞赛中直接部署。\n\n### 数据与评估方向\n\n- **更丰富的数据集与评估协议**：当前数据集仅包含三个固定场景（单人、双人非交叉、双人交叉）（第2.4节），未来应采集更多样的环境（如不同家具布局、光照变化、拥挤人群）、更多人物数量、以及动态机器人（本文机器人静止）的情况，并建立标准化评估基准（如多目标跟踪准确度指标MOTA、IDF1等）。\n- **长期跟踪与鲁棒性验证**：本文实验时长有限（如Rosbag文件时间长度未明确），未来可进行长时间连续跟踪测试，评估漂移、累积误差和身份保持能力，并对比不同传感器噪声等级（如KIO的±30cm误差）对跟踪结果的影响（第2.1节）。\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: 现实世界应用中的部署考量\n\n#### 1. 部署约束\n\n- **硬件需求**：系统基于单个2D LIDAR传感器（约30-50 cm高），适用于服务机器人（如Orbi-One，配备Intel Core i7 CPU和8GB RAM）。软件依赖ROS框架，需具备ROS环境。\n- **运行环境限制**：实验在Leon@home Testbed（ERL认证的模拟公寓）中进行，场景为室内、静态机器人（测试时机器人静止），未验证机器人移动时的效果。需在类似室内环境部署。\n- **开源与可用性**：PeTra新版本以开源许可证发布，ROS Wiki提供代码（wiki.ros.org/PeTra），数据集和Rosbag文件在线公开，便于复现和部署。\n- **部署规模**：当前系统设计用于跟踪最多两人，论文未验证多于两人的场景，部署时需注意人群密度上限。\n\n#### 2. 计算/延迟影响\n\n- **性能提升**：新版本PeTra平均发布速率为10 Hz（旧版6.299 Hz），最小发布间隔0.089 s，最大0.111 s，标准差0.00326 s（见表2），满足实时性要求。\n- **资源消耗**：新版本平均每次迭代耗时0.03358 s（旧版0.154752 s），CPU使用率430%（旧版446%，略降3%），内存使用247,036 KB（旧版549,288 KB，降低55%）（见表3）。\n- **延迟分析**：单次迭代时间远低于100 ms，适合实时跟踪。卡尔曼滤波后处理仅增加少量计算，但整体延迟仍可控。\n- **计算平台**：在低计算能力平台上运行（论文强调“optimized for running in platforms with low-computing capabilities”），需确保CPU和内存满足上述资源需求。\n\n#### 3. 鲁棒性/安全问题\n\n- **传感器依赖**：仅依赖LIDAR，对传感器噪声和遮挡敏感。KIO地面真值误差±30 cm，PeTra误差在0.33-0.54 m（卡尔曼滤波下），需考虑传感器校准。\n- **场景鲁棒性**：卡尔曼滤波显著改善了交叉轨迹场景（场景3误差从0.95/1.04 m降至0.44/0.39 m），但仍存在误差，特别是在多人和复杂背景（桌椅腿等）下。\n- **安全隐患**：若用于人机交互，跟踪失败可能导致机器人碰撞或错误跟随。需结合其他传感器（如RGB-D）或安全逻辑。\n- **环境变化**：动态障碍物（如移动物体）可能干扰CNN检测，需重新训练或调整网络以适应新环境。\n- **故障模式**：当人物被完全遮挡或离开LIDAR视野时，PeTra无有效估计，误差设为最大值（见公式1），可能导致跟踪中断。\n\n#### 4. 可维护性\n\n- **代码与文档**：ROS包开源，官方Wiki有说明，但缺乏详细API文档和配置指南。演示视频提供可视参考。\n- **可扩展性**：系统基于ROS，易集成其他节点。CNN设计可调整（如改变卷积层数），卡尔曼滤波参数（如矩阵P、Q、R）可调。\n- **更新与支持**：由University of León Robotics Group维护，但长期维护不明确。依赖第三方库（OpenCV 3.1.1）。\n- **数据与训练**：训练数据集（RRID:SCR_01574）和Rosbag文件公开，可复现和微调模型。但CNN训练细节未在本文中完整说明，需参考前作[^11]。\n- **局限性**：系统仅实现2D位置跟踪，无身份识别（无法区分不同人），且未处理遮挡后重识别问题，维护时需考虑增加这些功能。\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### 一段总结（6-8句）\n\n本文提出了一种基于单个2D LIDAR传感器的人物检测与跟踪系统，以PeTra（People Tracker）为基础，通过卷积神经网络（CNN）识别场景中的腿部对，从而定位人物（第2.3节）。针对原版PeTra无法随时间关联人物位置估计的问题，作者在PeTra的新版本中引入卡尔曼滤波器来预测每个人的运动方向，取代先前使用欧氏距离的关联方法（第2.3.2节）。同时，作者优化了CNN的架构，减少了卷积层中的输出滤波器数量，以提升处理速度而不损失精度（第2.3.2节）。实验在Leon@home Testbed（欧洲机器人联赛认证环境）中进行，使用KIO RTLS提供地面真值，设计了三个场景：单人、双人不交叉、双人交叉（第2.4节）。结果表明，在交叉轨迹场景中，使用卡尔曼滤波的平均误差从欧氏距离的0.95 m和1.04 m分别降至0.44 m和0.39 m（表1），且波动显著减小（图7与图8对比）。此外，新版本的发布率从6.299 Hz提升至10 Hz，内存消耗降低55%（表2、表3）。该工作主要贡献在于实现了基于LIDAR的实时人物跟踪，且适合计算能力有限的机器人平台。\n\n### 五个关键要点\n\n1. **方法核心**：采用卡尔曼滤波器对CNN输出的位置估计进行时序关联，利用恒定速度模型预测人物运动，解决了人物轨迹交叉时的错误关联问题（见第2.3.2节“Location Estimates' Correlation”）。\n2. **CNN优化**：将U-Net架构的卷积层输出滤波器数量大幅减少，仅需识别“腿部对”这一特定模式，从而提升推理速度（见第2.3.2节“Changes on CNN's Design”）。\n3. **数据集与场景**：实验包含三个预设场景（单人、双人不交叉、双人交叉），并使用KIO RTLS作为地面真值，其平均误差为±30 cm（第2.1节、第2.4节）。\n4. **性能提升**：在交叉场景中，卡尔曼滤波将平均误差从~1 m降低至约0.4 m，标准差从~0.7-0.9 m降至~0.2 m（表1）；同时系统发布频率提升至10 Hz，内存占用减少55%（表2与表3）。\n5. **开源可复现**：新版本作为ROS包发布于ROS Wiki，并使用公开的Rosbag数据集进行评测（见“Sample Availability”部分）。\n\n### 核心公式或机制\n\n**卡尔曼滤波状态预测与更新（机制核心）**：\n系统状态向量为 \\( X = [x, y, v_x, v_y]^T \\)，初始状态中速度和位置初始化为零（图4a）。动态模型采用恒定速度模型，状态转移矩阵 \\( A \\) 为：\n\\[ A = \\begin{bmatrix} 1 & 0 & 1 & 0 \\\\ 0 & 1 & 0 & 1 \\\\ 0 & 0 & 1 & 0 \\\\ 0 & 0 & 0 & 1 \\end{bmatrix} \\]\n该矩阵将前一时刻的位置与速度线性组合，以预测下一时刻的位置。卡尔曼滤波通过预测（\\( X_{pred} = A X_{prev} \\)）和校正（结合测量值更新）两步递归，最小化均方误差（详见第2.3.2节及图4）。\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## Module D: 二次细读理解\n\n### 1. 结构树\n\n```text\nPeople Detection and Tracking Using LIDAR Sensors\n├── 1. 引言\n│ ├── 问题背景：@home竞赛中的人物跟踪能力\n│ ├── 三个关键问题：近距学、数据采集、分类\n│ ├── 传感器选择：LIDAR\n│ └── PeTra简介与新贡献：卡尔曼滤波相关、CNN优化\n├── 2. 材料与方法\n│ ├── 实验环境：Leon@home Testbed (ERL认证)\n│ ├── 2.1 KIO RTLS：地面真值设备\n│ ├── 2.2 Orbi-One机器人\n│ ├── 2.3 PeTra\n│ │ ├── 2.3.1 PeTra操作流程：三步（占位图构建→CNN输入→质心计算）\n│ │ └── 2.3.2 PeTra新版本：CNN设计修改、卡尔曼滤波相关\n│ └── 2.4 评估：误差定义、数据集（三个场景）\n├── 3. 结果\n│ ├── 表1：平均误差与标准差（欧氏距离 vs 卡尔曼滤波）\n│ ├── 图7：欧氏距离下误差随时间演化\n│ ├── 图8：卡尔曼滤波下误差随时间演化\n│ ├── 表2：性能对比（发布速率、间隔）\n│ └── 表3：资源消耗对比\n├── 4. 讨论\n│ ├── 场景3的误差分析（轨迹交叉问题）\n│ ├── 卡尔曼滤波显著改善场景3\n│ └── 性能与资源改进（速率10Hz vs 6.299Hz，内存降低55%）\n└── 5. 结论\n ├── 主要贡献：PeTra相关模块，实时人物跟踪\n ├── 技术贡献：ROS包，开源\n └── 未来工作：多人场景测试（>2人）\n```\n\n### 2. 方法/系统分解\n\n- **输入**：\n - LIDAR传感器数据（2D扫描，约20-30Hz，矩阵为几百个整数）\n - 位置估计由PeTra CNN生成，并配合卡尔曼滤波进行时间相关\n\n- **系统模块**：\n 1. **数据预处理**：从LIDAR读数构建二维占位图（白色像素表示障碍物，黑色表示空闲/未检测区域）\n 2. **CNN（U-Net架构变体）**：\n - 输入：占位图图像\n - 输出：另一个占位图，标记腿部成对区域（如两个半圆形）\n - 网络修改：保持5层，但减少每层卷积的输出滤波器数量，以匹配特定模式（腿部对）\n 3. **质心计算**：从CNN输出中提取人员位置，发布为ROS消息\n 4. **卡尔曼滤波相关模块**：\n - 输入：连续时间戳的位置估计（来自CNN）\n - 作用：预测下一个LIDAR读数时刻的人员位置，以关联不同时刻的估计\n - 模型：常速度模型（状态向量[x, y, vx, vy]）\n - 初始化矩阵（如图4所示）：X(初始状态), P(协方差), A(动力学矩阵), H(测量矩阵), Q(过程噪声协方差), R(测量噪声协方差)\n - 使用OpenCV 3.1.1实现\n\n- **处理流程（推理流程）**：\n 1. 获取当前LIDAR扫描 → 构建占位图\n 2. 将占位图输入CNN → 得到检测到腿部对的概率图\n 3. 计算质心 → 得到当前人员位置估计\n 4. 卡尔曼滤波更新：将新估计与现有轨迹关联，预测下一时刻位置\n 5. 输出：人的轨迹（时间序列的位置）\n\n- **训练/推理流（论文未详细给出训练细节，引用前作[^11]）**：\n - 训练：使用公开数据集Range-based people tracker classifiers Benchmark（RRID:SCR_01574）\n - 推理：实时运行在Orbi-One机器人（Intel Core i7, 8GB RAM）上\n\n### 3. 重要图表解释\n\n#### 图3：CNN设计（新版本）\n\n- **位置**：Section 2.3.2, Figure 3\n- **内容**：展示了新版本CNN的结构，依然采用U-Net架构，但每层卷积输出滤波器数量减少。由于只检测一种特定模式（腿部对），降低滤波器数量可以提高速度而不损失精度。\n- **论文中的用途**：用于说明CNN设计的优化，促使每秒位置估计数增加（表2显示速率从6.299 Hz升至10 Hz）。\n\n#### 表1：平均误差（ $\\bar{X}_{e_{PeTra}}$ )和标准差（场景1-3，欧氏距离 vs 卡尔曼滤波）\n\n- **位置**：Section 3, Table 1\n- **内容**：\n\n | 场景 | 人员 | 欧氏距离 $\\bar{X}_{e_{PeTra}}$ | 卡尔曼滤波 $\\bar{X}_{e_{PeTra}}$ |\n |------|------|-----------------------------|-----------------------------|\n | 1 | 第1人 | 0.41 ( $\\pm0.22$) | 0.40 ( $\\pm0.20$) |\n | 2 | 第1人 | 0.45 ( $\\pm0.30$) | 0.41 ( $\\pm0.25$) |\n | 2 | 第2人 | 0.41 ( $\\pm0.15$) | 0.41 ( $\\pm0.14$) |\n | 3 | 第1人 | 0.95 ( $\\pm0.66$) | 0.44 ( $\\pm0.15$) |\n | 3 | 第2人 | 1.04 ( $\\pm0.91$) | 0.39 ( $\\pm0.26$) |\n\n- **关键发现**：场景3（轨迹交叉）下，欧氏距离方法误差显著增大（约1米），而卡尔曼滤波方法将误差降低到约0.4米，显著改善了关联准确性。场景1和场景2两者误差相近，但卡尔曼滤波在场景2中略优。\n\n### 4. 实验/评估细节\n\n- **实验环境**：Leon@home Testbed，欧洲机器人联盟（ERL）认证测试环境，位于莱昂大学移动机器人实验室。模拟公寓内，Orbi-One机器人静止在固定位置。\n\n- **数据集**：\n - 实验采集新数据：Rosbag文件记录三个场景，每个场景一个Rosbag。\n - 场景1：1人在机器人前方移动。\n - 场景2：2人在机器人前方移动。\n - 场景3：2人移动并交叉轨迹。\n - 人员携带KIO定位标签提供地面真值位置（精度±30cm）。\n\n- **评价指标**：\n - 误差 $e_{PeTra}$：当存在PeTra估计时，计算 $e_{PeTra} = d(l_{PeTra}, l_{KIO})$；无估计时取最大值。\n - d为欧氏距离（仅x,y坐标，n=2）。\n - 统计平均误差和标准差。\n\n- **对比目标**：\n - 主要对比欧氏距离相关方法与卡尔曼滤波相关方法的性能。\n - 同时对比PeTra新旧版本的性能（表2）和资源消耗（表3）。\n\n- **公平性说明**：两个方法使用相同数据集和相同环境，但未说明是否有多次重复实验；每个场景仅一个Rosbag文件，缺乏重复性验证。\n\n- **消融实验**：论文未明确进行消融研究，但通过对比不同相关方法（欧氏 vs 卡尔曼）和不同CNN设计（新旧版本）间接体现了各组件贡献。\n\n### 5. 图表工作流（面向方法原型）\n\n```text\n[LIDAR扫描] → [占位图构建] → [CNN (U-Net变体)] → [质心计算] → [位置估计] \n ↓\n [卡尔曼滤波相关] → [预测下一时刻位置]\n ↓\n [轨迹输出]\n```\n\n此流程图表示系统实时推理过程，卡尔曼滤波作为后处理模块，用于时间关联。\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## Module E: 第三遍深入评审\n\n### 1. 可重构性（重构说明）\n\n### 系统流程重构：\n\n- 输入：单个2D LIDAR传感器数据（~20-30 Hz）。\n- 步骤1：将LIDAR读数转换为二维占据图（图2c），白像素表示障碍，黑像素表示空闲。\n- 步骤2：将占据图输入CNN（U-Net变体，减少卷积滤波器数量，图3），输出检测腿部的占据图（图2d）。\n- 步骤3：计算腿部区域的质心，得到位置估计，发布为ROS话题。\n- 步骤4：后处理阶段，用Kalman滤波对时间序列进行关联，预测下一时刻位置以匹配检测结果，形成持续轨迹。\n- 标定：用KIO RTLS（误差±30cm）提供地面真值，计算误差e_PeTra为估计与真值的欧氏距离（式1-2）。\n\n### Kalman滤波器初始化（图4）：\n\n- 状态向量 \\(X = [x, y, 0, 0]^T\\)（位置和零速度初始值）。\n- 协方差矩阵 \\(P = 10 \\cdot I_4\\)。\n- 动态矩阵 \\(A\\) 为恒定速度模型（线性，单位速度项）。\n- 测量矩阵 \\(H = [I_2, 0]\\)。\n- 过程噪声 \\(Q = I_4\\)，测量噪声 \\(R = I_2\\)。\n\n### 实现要点：\n\n- 数据关联：用Kalman预测位置而非纯欧氏距离，解决轨迹交叉时的误关联。\n- 性能提升：新版本平均发布速率10 Hz（旧6.299 Hz），标准偏差降低（表2）；CPU略降3%，内存降55%，每迭代时间缩短（表3）。\n- 代码与数据公开：ROS Wiki（PeTra）和Rosbag数据集在线可获取。\n\n### 伪代码示意：\n\n```text\nfor each LIDAR scan:\n occupancy_map = build_occupancy_map(scan)\n leg_map = CNN(occupancy_map)\n locations = mass_center(leg_map)\n for track in kalman_tracks:\n predicted = predict(track)\n associations = match(predicted, locations)\n for assoc in associations:\n update(assoc.track, assoc.location)\n publish(kalman_tracks)\n```\n\n### 2. 假设（3-6条）\n\n- **假设1：** 人的腿在占据图中表现为两个半圆形模式，CNN能有效识别（基于前作[^11]的验证）。\n- **假设2：** 人行走速度在整个跟踪期间恒定（Kalman滤波采用恒定速度模型）。\n- **假设3：** LIDAR传感器安装高度约30-50 cm，仅能检测腿部，且场景中无过多类似物体（如桌腿、椅腿）混淆。\n- **假设4：** 场景中的人数不超过两人（实验设计限制），且交叉轨迹不影响关联。\n- **假设5：** KIO RTLS地面真值平均误差±30 cm，且该误差在统计上可接受（论文未进行误差传播分析）。\n- **假设6：** 机器人处于静止状态（实验设置），故未考虑机器人自身运动的影响。\n\n### 3. 失效模式或盲区（2-4条）\n\n- **失效模式1：** 当场景中人数超过两人时，数据关联可能发生歧义，导致跟踪丢失或跳变（论文仅评估到两人）。\n- **失效模式2：** 如果环境中有与腿部相似的物体（如桌腿、椅子腿），CNN可能误检，Kalman滤波会跟踪错误目标。\n- **失效模式3：** 人突然加速或转向时，恒定速度模型预测不准，可能导致关联失败或误差增大。\n- **盲区：** 实验仅在机器人静止下完成，未验证机器人移动时的性能（如跟随任务），实际应用场景受限。\n\n### 4. 优势与弱点\n\n## 优势：\n\n- 使用单一低成本LIDAR，避开了相机的光照、隐私和遮挡问题，实时性好。\n- 引入Kalman滤波关联，显著提高了轨迹交叉场景的准确性（表1：场景3平均误差从0.95/1.04 m降至0.44/0.39 m，标准差从0.66/0.91降至0.15/0.26）。\n- 优化CNN设计（减少滤波器数量），在保持精度的同时大幅提升速度（10 Hz vs 6.299 Hz）和降低内存（减少55%）。\n- 系统开源、基于ROS，易于集成和复现，适用于@home等机器人竞赛。\n\n## 弱点：\n\n- 实验条件过于理想化：机器人静止、场景人数≤2、测试环境单一（Leon@home Testbed），缺乏真实动态场景验证。\n- 未与SOTA方法进行定量对比（仅与自身旧版和[^23]比较），相对性能优势不确定。\n- CNN训练细节（超参数、训练集大小）未给出，仅引用前作[^11]，可复现性受限。\n- Kalman滤波参数（如P、Q、R）的设定缺乏敏感性分析，可能不适用于不同传感器或场景。\n- 误差分析未考虑地面真值（KIO）自身误差对结果的影响，可能高估了系统精度。\n\n### 5. 下一步研究方向（2-4条）\n\n- **扩展场景：** 评估多于两人、复杂遮挡和机器人移动情况下的跟踪性能，确保算法在真实应用中的鲁棒性。\n- **多传感器融合：** 结合RGB-D相机或IMU，提高检测和跟踪可靠性，弥补LIDAR单一信息的局限。\n- **自适应滤波：** 研究自适应Kalman滤波或基于学习的运动模型，以适应人行走速度变化。\n- **开源基准：** 建立公开基准数据集和评估协议，与其他跟踪方法进行系统比较（论文已提供数据集，可扩展）。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n## Module F: 术语表与概念依赖图\n\n### 术语表（15-40 条）\n\n1. **LIDAR（Laser Imaging Detection and Ranging，激光雷达）**\n - **定义**：一种主动式光学遥感传感器，通过发射激光束并测量反射光的时间或相位差来获取目标距离与角度信息。\n - **直觉**：类似蝙蝠的回声定位，但用光代替声音，能以高频率提供二维平面内的障碍物分布。\n - **在论文中的角色**：唯一的环境感知传感器，用于获取人物腿部所在位置的原始观测数据（扫描点）。\n - **前置知识**：基本光学、测距原理。\n\n2. **CNN（Convolutional Neural Network，卷积神经网络）**\n - **定义**：一种前馈深度学习网络，通过卷积核提取局部特征并逐层抽象，适合处理图像或网格数据。\n - **直觉**：如同层层放大镜，先从局部边缘、角点等低级特征组合出高级语义模式（如一对腿）。\n - **在论文中的角色**：PeTra 的核心分类器，输入占用地图，输出腿部位置的热图/概率图。\n - **前置知识**：神经网络基础、图像卷积操作。\n\n3. **U-Net 架构**\n - **定义**：一种编码-解码（Encoder-Decoder）对称结构，包含收缩路径（capture context）和扩张路径（precise location），常用于语义分割。\n - **直觉**：像“先缩小再放大”的漏斗，小图中看全局，大图中细节定位。\n - **在论文中的角色**：PeTra 最初采用的 CNN 基底，后续论文将其裁剪以适应“腿”这一特定模式。\n - **前置知识**：CNN、FCN、转置卷积。\n\n4. **占用地图（Occupancy Map）**\n - **定义**：将二维空间离散化为网格，每个格子表示该位置是否有障碍物（白色=有，黑色=无/未探测）。\n - **直觉**：一幅黑白像素画，白点标记了 LIDAR 测到的障碍物轮廓。\n - **在论文中的角色**：LIDAR 读数的中间表示，既是 CNN 的输入，也是 CNN 的输出（表示腿部位置）。\n - **前置知识**：栅格地图、ROS 的 2D 表示。\n\n5. **Kalman 滤波器（Kalman Filter）**\n - **定义**：一种递归贝叶斯估计器，通过预测和更新两步，最小化均方误差地估计线性动态系统的状态。\n - **直觉**：像是“猜+纠错”循环：根据运动模型预测下一时刻位置，再结合新测量校正，得到最可信的估计。\n - **在论文中的角色**：替代欧氏距离，用于跨时间关联 PeTra 的位置估计，预测每个人的运动方向，避免轨迹交叉时错误匹配。\n - **前置知识**：高斯分布、状态空间模型、矩阵运算。\n\n6. **状态向量（State Vector X）**\n - **定义**：包含系统在某一时刻的变量集合，本文中为 [x, y, vx, vy]ᵀ，分别表示位置和速度。\n - **直觉**：记录“人在哪里，移动多快”。\n - **在论文中的角色**：Kalman 滤波器估计的对象，初始化为第一个观测的位置。\n - **前置知识**：线性代数、运动学。\n\n7. **协方差矩阵（Covariance Matrix P）**\n - **定义**：表示状态估计的不确定性程度，对角元素为各变量的方差，非对角为相关性。\n - **直觉**：给“猜测”打一个误差范围，范围越大越不确定。\n - **在论文中的角色**：初始化反映传感器精度，每次迭代更新，控制滤波收敛速度。\n - **前置知识**：概率论、方差/协方差。\n\n8. **动态矩阵（Dynamics Matrix A）**\n - **定义**：描述状态随时间变化的线性关系（状态转移矩阵），本文采用恒定速度模型。\n - **直觉**：假设人匀速运动，那么新位置=旧位置+速度×时间间隔。\n - **在论文中的角色**：Kalman 滤波器的预测阶段核心，A 矩阵为 4×4 的固定形式。\n - **前置知识**：线性系统、运动学建模。\n\n9. **测量矩阵（Measurement Matrix H）**\n - **定义**：将状态空间映射到测量空间，本文中仅提取位置 x 和 y。\n - **直觉**：回答了“我们能观测到什么？——只能看到位置，看不到速度”。\n - **在论文中的角色**：连接内部状态与实际测量，用于更新步骤。\n - **前置知识**：线性映射。\n\n10. **过程噪声协方差（Process Noise Covariance Matrix Q）**\n - **定义**：表示模型误差或外部扰动引起的不确定性，体现在状态转移预测时。\n - **直觉**：告诉滤波器“模型可能不准，多给一点余地”。\n - **在论文中的角色**：当人加速或转向时，Q 为 1 的对角矩阵提供了容差。\n - **前置知识**：随机过程、噪声建模。\n\n11. **测量噪声协方差（Measurement Noise Covariance Matrix R）**\n - **定义**：表示传感器测量误差的方差，本文中为 2×2 单位矩阵。\n - **直觉**：告诉滤波器“来自 LIDAR 的读数有多可信”。\n - **在论文中的角色**：控制更新步中对新测量的信任权重。\n - **前置知识**：传感器误差模型。\n\n12. **RTLS（Real Time Location System，实时定位系统）**\n - **定义**：基于射频信标（Anchors）测量标签（Tag）位置的商用系统。\n - **直觉**：类似室内 GPS，通过多个已知位置的信标三角定位移动标签。\n - **在论文中的角色**：提供地面真值（ground truth）数据，评估 PeTra 位置估计的准确性。\n - **前置知识**：无线定位、三角测量。\n\n13. **KIO 设备（KIO RTLS）**\n - **定义**：一种商业 RTLS 产品，由固定 Anchors 和移动 Tag 组成，位置误差约 ±30 cm。\n - **直觉**：精细的室内“GPS”，但有一定固有误差。\n - **在论文中的角色**：实验人员携带 Tag 以获取真实轨迹，与 PeTra 估计对比。\n - **前置知识**：RTLS 原理、精度指标。\n\n14. **欧氏距离（Euclidean Distance）**\n - **定义**：n 维空间两点间的直线距离，公式 d = sqrt(Σ(xᵢ-yᵢ)²)。\n - **直觉**：两点的“最短连线”长度。\n - **在论文中的角色**：用作特征对比基线，以及计算 PeTra 误差 e_{PeTra} 的指标。\n - **前置知识**：平面几何、向量范数。\n\n15. **轨迹交叉（Trajectory Crossing）**\n - **定义**：两个人运动路径在某时刻相交的情况。\n - **直觉**：像两条线在平面内交汇，之后的身份归属容易混淆。\n - **在论文中的角色**：导致欧氏距离关联失败的关键场景，是本文方法需要解决的痛点。\n - **前置知识**：运动轨迹、数据分析。\n\n16. **关联（Correlation / Data Association）**\n - **定义**：将不同时刻的测量估计与同一身份（人物）匹配的过程。\n - **直觉**：回答“这个位置估计属于谁？”的问题，是跟踪的关键步骤。\n - **在论文中的角色**：PeTra 新版本的核心新增功能，通过 Kalman 预测改善关联鲁棒性。\n - **前置知识**：多目标跟踪、匹配算法。\n\n17. **Rosbag（ROS Bag）**\n - **定义**：ROS 框架中用于记录和回放主题消息（如传感器数据）的文件容器。\n - **直觉**：机器人实验的“黑匣子”，可重复播放同一段传感器流。\n - **在论文中的角色**：存储每个场景的原始数据，供离线评估和复现。\n - **前置知识**：ROS 消息系统、数据记录。\n\n18. **ROS（Robot Operating System，机器人操作系统）**\n - **定义**：一套面向机器人开发的分布式软件框架，提供节点通信、工具和功能包。\n - **直觉**：机器人的“Android 系统”，内部各模块通过主题服务通信。\n - **在论文中的角色**：PeTra 的实现平台，所有输入输出以 ROS 消息（Topic）形式交互。\n - **前置知识**：进程通信、分布式系统。\n\n19. **PeTra（People Tracker 包）**\n - **定义**：由 University of León 开发的开源 ROS 包，基于 CNN 检测 2D LIDAR 扫描中的腿部模式。\n - **直觉**：一个专职“看腿识人”的软件模块。\n - **在论文中的角色**：本文改进的主体对象，新版本加入 Kalman 滤波关联和瘦身 CNN。\n - **前置知识**：ROS、CNN。\n\n20. **占用网格（Occupancy Grid）**\n - **定义**：与占用地图同义，用于表示环境障碍的栅格形式。\n - **直觉**：二值图像，每个像素代表一个小方格是否被占。\n - **在论文中的角色**：CNN 输入与输出的格式。\n - **前置知识**：机器人地图表示。\n\n21. **收缩路径（Contraction Path）**\n - **定义**：U-Net 中逐步下采样并增加通道数以提取语义特征的编码阶段。\n - **直觉**：看“大局”，牺牲空间分辨率换取高级特征。\n - **在论文中的角色**：原 U-Net 的组成部分，PeTra 设计保留该结构但减少滤波器数。\n - **前置知识**：池化、卷积。\n\n22. **扩张路径（Expansion Path）**\n - **定义**：U-Net 中逐步上采样并融合低层特征以恢复分辨率的解码阶段。\n - **直觉**：从粗语义恢复精细位置。\n - **在论文中的角色**：与收缩路径对称，用于精确腿部分割。\n - **前置知识**：转置卷积、跳连接。\n\n23. **平均误差（Mean Error）**\n - **定义**：所有样本误差的算术平均值，本文用 e_{PeTra} 的均值。\n - **直觉**：总体偏移水平的集中表现。\n - **在论文中的角色**：评估 PeTra 位置估计与真值的平均偏差。\n - **前置知识**：统计学基础。\n\n24. **标准差（Standard Deviation）**\n - **定义**：衡量数据离散程度的指标，即方差的平方根。\n - **直觉**：误差波动多大，越小越稳定。\n - **在论文中的角色**：报告 e_{PeTra} 的可变性，用于说明算法稳定性。\n - **前置知识**：概率统计。\n\n25. **恒定速度模型（Constant Velocity Model）**\n - **定义**：假设目标在采样间隔内速度保持不变的运动学模型。\n - **直觉**：认为人不会瞬间急停或猛加速。\n - **在论文中的角色**：Kalman 滤波器的动态矩阵 A 基于此假设。\n - **前置知识**：牛顿运动学。\n\n26. **地面真值（Ground Truth）**\n - **定义**：实验中被认为准确参考值的数据，用于评估算法误差。\n - **直觉**：考试的“标准答案”。\n - **在论文中的角色**：KIO RTLS 提供的人物位置作为真值，与 PeTra 比较。\n - **前置知识**：实验设计、评估方法。\n\n27. **发表速率（Publication Rate）**\n - **定义**：单位时间内系统发布位置估计消息的次数，单位为 Hz。\n - **直觉**：每秒输出多少次“人在这”。\n - **在论文中的角色**：衡量系统实时性，新版本从 6.299 Hz 提升至 10 Hz。\n - **前置知识**：频率、实时系统。\n\n28. **资源消耗（Resource Consumption）**\n - **定义**：程序运行对 CPU 和内存的占用情况。\n - **直觉**：吃多少计算资源。\n - **在论文中的角色**：比较新旧版本的效率，新版本内存降低 55%，迭代时间缩短 78%。\n - **前置知识**：计算机组成、性能分析。\n\n29. **移动平均（Moving Average）**\n - **定义**：对时间序列进行平滑的一种方法，取窗口内均值以消除短期波动。\n - **直觉**：将波动曲线“抹平”，看清趋势。\n - **在论文中的角色**：图 7、图 8 中用于展示误差变化趋势。\n - **前置知识**：时间序列分析。\n\n30. **传感器保真度/精度（Sensor Accuracy）**\n - **定义**：传感器测量值与真实值之间的偏差程度。\n - **直觉**：测得准不准。\n - **在论文中的角色**：决定 Kalman 滤波器的 P 和 R 矩阵取值，直接影响滤波收敛。\n - **前置知识**：测量原理。\n\n### 概念依赖图（文本形式）\n\nLIDAR 传感器\n |\n v\n占用地图 (Occupancy Map)\n |\n v\nCNN (U-Net 架构简化版)\n |\n v\n腿部位置估计 (Leg location estimates)\n |\n v\n关联模块 (Data Association)\n |\n |--旧方法：欧氏距离 (Euclidean Distance) -- 易在轨迹交叉时失败\n |--新方法：Kalman 滤波器 (Kalman Filter)\n |\n |--状态向量 X (位置+速度)\n |--协方差 P (不确定性)\n |--动态矩阵 A (恒定速度模型)\n |--测量矩阵 H (只观测位置)\n |--过程噪声 Q\n |--测量噪声 R\n |\n v\n预测下一时刻位置 → 关联正确身份 → 实现持续跟踪\n\n其他依赖：\n\n- KIO RTLS (提供真实轨迹用于评估)\n- ROS (系统集成平台, 消息发布/订阅)\n- Rosbag (数据存储与回放)\n\n角色关系：\n\n- 传感器 → 地图 → CNN → 关联 → 跟踪结果\n- 评估：跟踪结果 + 真值 (KIO) → 误差 e_{PeTra}\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: 验证与引用检查\n\n### 1. 关键事实声明（至少两个来源）\n\n- **声明1：使用 Kalman 滤波进行关联可显著降低场景3（轨迹交叉）的跟踪误差，平均误差从 0.95 m/1.04 m 降至 0.44 m/0.39 m。**\n - 来源1：本文 Table 1（第3节 Results 部分）详细列出了各场景下两种关联方法的平均误差与标准差，场景3中 Euclidean 与 Kalman 的对比明显。\n - 来源2：本文第4节 Discussion 明确写道“考虑到 Kalman 滤波的使用，Table 1 显示了场景3的误差大幅降低，与 [^23] 的结果相比，e_PeTra 的下降非常显著”，并指出“Figure 8 中场景3的波动消失”。\n- **声明2：PeTra 新版本（第二版）的发布频率显著高于旧版本（10 Hz vs 6.299 Hz），且内存消耗降低约55%。**\n - 来源1：本文 Table 2（第3节 Results 部分）给出了平均发布率、最小/最大间隔和标准偏差，第二版平均10 Hz，第一版6.299 Hz。\n - 来源2：本文 Table 3（第3节）显示内存使用从 549,288 KB 降至 247,036 KB，讨论部分也明确提到“内存消耗显著降低，降低百分比为55%”。\n- **声明3：KIO RTLS 设备提供的地面真值平均误差为 ±30 cm。**\n - 来源1：本文第2.1节（KIO RTLS）写道“根据制造商的规格，该设备提供的位置平均误差为 ±30 cm”。\n - 来源2：本文第4节 Discussion 中再次引用“KIO 设备提供的位置估计平均误差为 30 cm”，并用于解释实验结果。\n- **声明4：PeTra 使用基于 U-Net 架构的卷积神经网络检测人腿（双腿对）。**\n - 来源1：本文第2.3节（PeTra）直接说明“系统基于 CNN，其架构遵循 U-Net 结构，用于定位双腿对”。\n - 来源2：本文引用文献[^11]（Guerrero-Higueras 等，2019）提供了 PeTra 原始设计与训练细节，是核心设计来源。\n\n### 2. 冲突或不确定性说明\n\n- **冲突1：Table 1 中场景2的数据顺序与正文描述不一致。**\n - 正文第3节 Results 中描述 Euclidean 距离下场景2的“第一人”平均误差为 0.41 m、第二人为 0.45 m，但 Table 1 中第一行（Euclidean）显示为“0.45 (±0.30)”和“0.41 (±0.15)”，顺序相反。Kalman 滤波列也存在类似顺序差异（正文说第一人 0.33、第二人 0.39，而表格列出 0.41 和 0.41）。但总体数值相近，可能是文本叙述与表格列序的疏漏，需以表格为准或进一步核实原始数据。\n- **不确定性1：发表期刊名称未明确。** 论文页脚标注“Licensee MDPI, Basel, Switzerland”，但未出现具体刊名（如 Sensors、Applied Sciences 等），只能推测为 MDPI 旗下期刊。这影响引用格式中的期刊卷期信息。\n- **不确定性2：Kalman 滤波的动态模型假设“恒定速度”未在实验验证部分讨论。** 第2.3.2节声明采用恒定速度模型，但未针对实际步行速度变化进行敏感性分析。若人物突然加速或减速，可能影响关联精度，作者在结论中也提到需测试更多人的场景，未提速度变化的影响。\n- **冲突2：CPU 使用率“降低3%”与表格数据的计算偏差。** 第4节 Discussion 提及“CPU 使用率略低（3%）”，而 Table 3 显示第一版 CPU 446%、第二版 430%，即降低 (446-430)/446=3.59%，与“3%”近似但非精确，作者采用四舍五入。\n- **不确定性3：开发环境细节未完整披露。** 论文未提供 CNN 训练的超参数、训练集大小、训练时长等，仅引用文献[^11]；卡尔曼滤波的初始矩阵参数虽有给出（Figure 4），但未解释如何选定这些值（如为什么协方差 P 初始为10）。\n\n### 3. 参考文献列表（部分关键引用）\n\n1. [^11] Guerrero-Higueras, Á.M.; Álvarez-Aparicio, C.; Calvo-Olivera, M.C.; Rodríguez-Lera, F.J.; Fernández-Llamas, C.; Martín, F.; Matellan, V. Tracking People in a Mobile Robot From 2D LIDAR Scans Using Full Convolutional Neural Networks for Security in Cluttered Environments. Front. Neurorobot. 2019, 12, 85. [CrossRef] [PubMed]\n2. [^23] Alvarez-Aparicio, C.; Guerrero-Higueras, Á.M.; Rodríguez Lera, F.J.; Calvo Olivera, M.D.C.; Ginés Clavero, J.; Martín-Rico, F.; Matellan, V. LIDAR-based People Detection and Tracking for @home Competitions. In Proceedings of the IEEE International Conference on Autonomous Robot Systems and Competitions, Porto, Portugal, 24–26 April 2019.\n3. [^12] PeTra (People Tracker). Available online: (accessed on 30 August 2019).\n4. [^19] Benchmark Dataset for Evaluation of Range-Based People Tracker Classifiers in Mobile Robots. Available online: (accessed on 30 August 2019).\n5. [^24] Welch, G.; Bishop, G. An Introduction to the Kalman Filter; Tech. Rep. TR-95-041; Department of Computer Science, University of North Carolina: Chapel Hill, NC, USA, 1995.\n6. [^15] Guerrero-Higueras, Á.M.; DeCastro-Garcia, N.; Matellan, V. Detection of Cyber-attacks to indoor real time localization systems for autonomous robots. Robot. Auton. Syst. 2018, 99, 75–83.\n7. [^16] Guerrero-Higueras, Á.M.; DeCastro-García, N.; Rodríguez-Lera, F.J.; Matellán, V. Empirical analysis of cyber-attacks to an indoor real time localization system for autonomous robots. Comput. Secur. 2017, 70, 422–435.\n8. [^18] Ronneberger, O.; Fischer, P.; Brox, T. U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer-Assisted Intervention (MICCAI); Springer: Berlin, Germany, 2015; Volume 9351, pp. 234–241.\n9. [^17] Long, J.; Shelhamer, E.; Darrell, T. Fully Convolutional Networks for Semantic Segmentation. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, MA, USA, 7–12 June 2015; pp. 3431–3440.\n10. [^21] PeTra's new release: Tracking People by Using a 2D LIDAR. Available online: (accessed on 30 August 2019).\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## Module H: 图表提取\n\n### 1. 图表全索引\n\n| 编号 | 类型 | 标题/描述 | 位置 | 支撑的声明 | 重要性评分（1-5） |\n|---|---|---|---|---|---|\n| 图1 | 示意图 | (a) Leon@home Testbed公寓平面图；(b) Orbi-One机器人及KIO设备（含Tag和Anchor） | 第2节之前，实验设置部分 | 说明实验环境、机器人平台、地面真值设备 | 3 |\n| 图2 | 运行示例 | PeTra操作步骤：(a)真实场景；(b)Rviz可视化；(c)占据图；(d)网络输出 | 2.3.1节 | 展示PeTra处理流程和中间结果 | 4 |\n| 图3 | 架构图 | 新版PeTra的CNN设计（U-Net变体） | 2.3.2节 | 说明CNN结构修改（层数5，过滤器减少） | 5 |\n| 图4 | 矩阵公式 | Kalman滤波初始化矩阵：X, P, A, H, Q, R | 2.3.2节 | 给出卡尔曼滤波参数选择和动态模型（恒定速度） | 5 |\n| 图5 | 运行示例 | 场景2（两人移动）的Rviz视图（a）和相机视图（b） | 2.4节 | 展示多目标场景下的系统状态 | 3 |\n| 图6 | 运行示例 | 场景3（两人交叉轨迹）的Rviz视图（a）和相机视图（b） | 2.4节 | 展示轨迹交叉场景 | 4 |\n| 图7 | 结果图 | 使用欧氏距离相关时，e_PeTra随时间演变（三个子图a,b,c对应场景1-3） | 第3节 | 展示欧氏距离方法在场景3误差显著增大 | 5 |\n| 图8 | 结果图 | 使用卡尔曼滤波时，e_PeTra随时间演变（三个子图a,b,c对应场景1-3） | 第3节 | 展示卡尔曼滤波在场景3改善了误差稳定性 | 5 |\n| 表1 | 数据表 | 三个场景下，欧氏距离与卡尔曼滤波的平均误差和标准差（每人） | 第3节 | 定量对比两种相关方法，卡尔曼显著改善场景3 | 5 |\n| 表2 | 数据表 | PeTra第一版和第二版的性能（平均频率、发布间隔统计） | 第3节 | 新版性能提升（10 Hz vs 6.299 Hz） | 4 |\n| 表3 | 数据表 | PeTra第一版和第二版的资源消耗（CPU、内存、迭代数等） | 第3节 | 新版本资源消耗更低（内存降低55%，迭代提高78%） | 4 |\n\n### 2. 高优先级深度阅读（5项）\n\n1. **表1**：核心定量结果，直接支撑“卡尔曼滤波优于欧氏距离”的结论，尤其在场景3（交叉轨迹）中误差从0.95/1.04降至0.44/0.39。需仔细对比每个单元格的数值和标准差。\n2. **图3**：CNN架构设计的关键图示，说明网络深度不变但过滤器数量减少，是性能提升的直接原因。需结合原文文字（第2.3.2节）理解层数和参数。\n3. **图4**：卡尔曼滤波全部矩阵初始化，是方法的核心细节。需理解X、P、A、H、Q、R含义，特别是A采用恒定速度模型。\n4. **图7与图8**：分别展示欧氏距离和卡尔曼滤波下e_PeTra的时变特征，图8中场景3的波动消失，直观说明卡尔曼的平滑效果。\n5. **表2与表3**：支持性能（10 Hz）、资源消耗（内存降低55%、CPU略降）的声明，证明优化CNN设计带来实际计算收益。\n\n### 3. 图/表关系或实验设置图\n\n实验流程关系（基于文章内容构建）：\n\n- **实验环境**：Leon@home Testbed（图1a）\n- **地面真值**：KIO RTLS（图1b）提供位置，误差±30cm\n- **机器人**：Orbi-One（图1b），静止放置\n- **LIDAR输入** → **占据图构建**（图2c）→ **CNN检测**（图3、图2d）→ **位置估计** → **相关方法**（欧氏距离或卡尔曼滤波，图4）→ **输出轨迹** → **误差计算**（与KIO对比，公式1-2）→ **结果**（表1，图7/8）\n- **性能评估**：发布频率（表2）、资源消耗（表3）\n\n### 4. 图表到结论的映射\n\n- **结论1：卡尔曼滤波显著改善轨迹交叉场景的跟踪精度** → 依据：表1中场景3的e_PeTra平均误差从欧氏距离的0.95/1.04降至0.44/0.39；图7(c)显示欧氏距离下误差波动大，而图8(c)中波动消失。\n- **结论2：新版PeTra性能更高（10 Hz vs 6.299 Hz）** → 依据：表2的平均发布率。\n- **结论3：新版PeTra资源消耗更低（内存减少55%，每迭代时间减少78%）** → 依据：表3中内存从549,288 KB降至247,036 KB，S/迭代从0.154752降至0.03358。\n- **结论4：CNN设计优化（层数不变但过滤器减少）有助于性能提升** → 依据：图3架构图及第2.3.2节文字说明，结合表2/表3数据。\n- **结论5：系统在最多两人场景下有效，可应对轨迹交叉** → 依据：表1中场景2、3的结果，图5/图6展示运行实例。" }