{
  "paper_id": "3cafb09a898483fbe7123c8b6be38d4e",
  "paper_title": "Exercise Pose Detection Using 3D LiDAR: Mapping Human Movement",
  "paper_authors": [
    "Mitchell Zinck",
    "Ray Huda",
    "Evan Webster",
    "Marzieh Amini"
  ],
  "publication_date": "",
  "publication_venue": "2026 IEEE International Conference on Consumer Electronics (ICCE)",
  "abstract": "近年来，光探测和测距（LiDAR）技术已成为增强传感系统的有前途的方法，特别是在人类活动识别（HAR）中。计算机视觉和LiDAR传感器的发展正在彻底改变HAR系统。这项工作提出了一种新颖的方法，利用3D LiDAR技术和深度学习技术检测和分类人类运动姿势。我们利用Point Pillars网络进行3D物体检测，并采用伪图像转换实现有效的3D到2D数据转换，增强2D CNN对3D点云数据分析的适用性。为了考虑3D点云数据流中的时间依赖性，我们使用了“smush”技术，该技术考虑了连续几个3D LiDAR点云帧。该方法显著提高了动态运动的检测精度，凸显了该方法在增强健身监测技术方面的潜力。这项研究不仅证明了3D LiDAR在捕捉复杂活动方面的有效性，也为未来使用3D LiDAR映射人类运动的进展奠定了基础。",
  "keywords": [
    "LiDAR",
    "3D point cloud",
    "exercise pose detection",
    "convolutional neural networks",
    "human activity recognition"
  ],
  "paper_institutions": [
    "Carleton University"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:47:46.512010Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本论文提出了一种基于3D LiDAR和深度学习的人体运动姿势检测方法，用于识别和分类六种主要健美操动作。传统基于摄像头的系统存在隐私和低光环境限制，而3D LiDAR提供了深度感知和隐私保护的优点。方法上，采用Point Pillars网络进行3D物体检测，并通过伪图像转换将3D点云转化为2D伪图像以适配2D CNN。为解决时序依赖问题，引入了“smush”技术，通过拼接连续几帧点云来捕捉动态动作的时序信息。数据集包含28,614帧，来自13名受试者在不同房间采集的数据，标注了五类数据集。实验采用70%训练、30%测试的比例，以AOS（平均重叠分数）和AP（平均精度）为指标。结果显示，对于静态动作如站立和蹲下，无需smush即可获得高精度；对于动态动作，使用五帧smush技术后，平均AOS和AP分别从0.021提升到0.211，提高了近10倍。该方法在隐私敏感场景和低光条件中具有优势，未来可探索更先进的网络架构和高分辨率LiDAR数据。\n### 关键要点\n- 采用Point Pillars网络实现3D物体检测，通过支柱划分和特征学习有效处理点云数据。\n- 利用伪图像转换将3D点云转换为2D伪图像，使2D CNN能够直接分析3D数据。\n- 提出“smush”技术，通过拼接连续几帧点云来捕捉时序信息，显著提升动态动作检测精度。\n- 数据集共28,614帧，包含VLP-16和Alpha Prime-128两种LiDAR数据，以及三类子数据集（WalkStandCrouch、Human Detection、Misc）。\n- 数据在5m×10m和10m×12m两个房间中采集，由13名受试者执行六种动作，确保多样性。\n- 训练采用70%训练和30%测试划分，最终模型使用5,430帧，置信度阈值25%，训练100个epoch。\n- 对于静态动作（如站立、蹲下），无smush时AOS和AP均高于0.90，证明静态场景下简单模型有效。\n- 使用五帧smush后，所有动作的平均AOS从0.021提升到0.211，平均AP从0.021提升到0.211，提升约891%。\n- 动态动作（如俯卧撑、仰卧起坐）在smush后AOS和AP显著提升，表明时序信息对动态识别至关重要。\n- 该技术解决了类似动作（如站立到蹲下）的误分类问题，通过连续运动轨迹区分动作。\n- 相比摄像头系统，LiDAR在隐私保护和低光环境下具有优势，适用于健身监测和康复训练。\n- 实现使用MATLAB，结合Velodyne LiDAR硬件和内置工具，但需将.PCAP文件转换为.PCD格式。"
}