{
  "paper_id": "4064dac60618727539a3f6de4aa0b7db",
  "paper_title": "Human Gait Tracking for Normal People and Walker Users Using a 2D LiDAR",
  "paper_authors": [
    "Huu Toan Duong",
    "Young Soo Suh"
  ],
  "publication_date": "",
  "publication_venue": "IEEE Sensors Journal",
  "abstract": "This paper proposes a human gait tracking method using a low scanning rate (10Hz) 360 degree 2D LiDAR. The sensor is placed at a height of 0.3m above the ground. Since the human gait tracking is important not only for normal people but also for patients who need to use walking-aid such as walker, we propose a tracking method for both normal people and walker users. The left and right legs are separated and tracked even with nonlinear walking path. To overcome the occlusions between legs when one leg might be hidden from the sensor, a spline-based smooth and interpolation method is applied to estimate the legs trajectories. An algorithm is also proposed to remove the walker legs data in case of walker users. The performance of proposed tracking method is investigated in different walking speed levels and two positions of LiDAR (parallel and horizontal to walking direction). The experimental results verify the robustness of our proposed method. The horizontal position of LiDAR gives better estimation than the parallel position. The RMSE is less than 2.0cm for walking step length estimation and is less than 1.4cm for walking distance estimation. The tracking range of our system is up to 10m with horizontal placement of LiDAR.\n",
  "keywords": [
    "Human gait tracking",
    "2D LiDAR",
    "laser scanner sensor",
    "walker",
    "spline-based interpolation"
  ],
  "paper_institutions": [
    "University of Ulsan"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "deepseek-v4-flash",
  "prompt_template": "simple",
  "extracted_at": "2026-08-18T10:30:31.357725Z",
  "template_tag": "deep_read",
  "summary": "# Human Gait Tracking for Normal People and Walker Users Using a 2D LiDAR\n\n\n**作者 / Authors:** Huu Toan Duong, Young Soo Suh\n\n\n**单位 / Institutions:** University of Ulsan, Ulsan, South Korea\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 2020\n\n\n\n**期刊/会议 / Publication Venue:** IEEE Access\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n### 1. Paper metadata\n\n- **Title**: Human Gait Tracking for Normal People and Walker Users Using a 2D LiDAR\n- **Authors**:\n  - Huu Toan Duong：越南河内科技大学自动化专业学士（2013），韩国蔚山大学电气工程学院硕士（2016），现为蔚山大学博士研究生；研究方向包括人类步态分析、运动跟踪和个人导航系统。\n  - Young Soo Suh（IEEE Member）：首尔大学控制与仪器工程学士/硕士，东京大学博士，现为蔚山大学电气工程学院教授；研究方向包括网络控制系统、姿态估计与控制、个人导航系统。\n- **Publication venue or outlet**: IEEE Access（期刊，2020年，SCI/EI 收录）\n\n### 2. Research positioning\n\n- **Research area**: 人类步态分析、2D LiDAR 感知、运动跟踪\n- **Concrete task**: 使用固定在地面的低扫描率 2D LiDAR（10Hz，离地0.3m）对正常人和助行器使用者的双腿进行跟踪，估计步长和行走距离，并支持非线性行走路径。\n- **Target users or application scenario**: 需要长期步态监测的康复患者、老年人，以及相关医疗/康复研究与应用场景。\n\n### 3. Input material checklist\n\n- **PDF**: 是（文档内容为论文正文，含图表）\n- **Appendix / supplement**: 未提供\n- **Code link**: 未提供\n- **Dataset link**: 未提供\n\n### 4. Missing materials and risks\n\n- **Missing items**: 代码、数据集、附录/补充材料、实验原始数据\n- **Likely impact**: 无法复现算法细节；部分参数（如腿半径）需手动测量；图表中的轨迹数据以位图形式嵌入，无法精确读取数值，可能影响对实验结果的深入验证。\n\n### 5. Reading route\n\n- **Step 1**: 快速浏览标题、摘要、引言和结论，确定论文类型和主要贡献。\n- **Step 2**: 阅读 Section II 方法部分，理解整体流程：行走区域检测、聚类、中心线估计、左右腿分离、速度/步长估计、助行器腿部数据去除。\n- **Step 3**: 阅读 Section III 实验部分，结合 Table I/II 和 Fig. 12-19 理解实验设置与性能。\n- **Step 4**: 精读公式（1）-（31）和算法假设，检查样条插值、阈值选择等细节。\n- **Step 5**: 查阅参考文献 [^19] [^20] [^21] [^22] [^23] [^24] [^25] [^26] [^27] [^28] 等，对比相关工作，评估创新点。\n\n**分类理由**：论文的核心贡献是提出一种新的步态跟踪算法，包括腿部聚类、中心点估计、八阶样条插值、左右腿分离以及助行器腿部数据去除，属于新算法/方法，而非系统搭建或综述，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### 1. 论文类型与类别\n\n- **类型**：方法类（method）论文。\n- **具体类别**：基于 2D LiDAR 的人类步态跟踪算法研究，同时覆盖正常人和助行器使用者两种场景；属于新算法/新方法，而非系统搭建或综述。\n- **依据**：摘要和引言明确提出新的步态跟踪流程（Section II），实验验证在 Section III，结论在 Section IV。\n\n### 2. 背景与研究背景\n\n- 步态跟踪在医疗康复、运动分析、行人导航等领域有重要应用；步长和行走速度是关键参数。\n- 现有金标准系统（Vicon、GAITRite）精度高，但成本高、安装复杂，不适合长期监测和实验室外使用；可穿戴传感器成本低，但需要附着在身体特定部位，可能引起不适。\n- LiDAR 已被用于步态跟踪，但多数已有工作使用高扫描频率 LiDAR、传感器平行于行走方向放置、仅支持直线路径、且只针对正常人。\n- 本文的定位是：使用低扫描率（10Hz）2D LiDAR，传感器正交于行走方向放置，支持非线性行走路径，并同时处理正常人和助行器使用者的步态跟踪。\n- 相关背景和差距分析见 Section I 引言，参考文献 [^19] [^20] [^21] [^22] [^23] [^24] [^25] [^26] [^27] [^28] 对应 LiDAR 步态跟踪相关工作。\n\n### 3. 直观正确性检查\n\n- **关键假设 1**：腿部扫描数据可建模为固定半径圆（$R_{leg}$），通过最小二乘圆拟合估计腿中心。合理性：在 0.3m 高度（小腿高度）扫描时，小腿横截面近似圆形，该假设基本合理；但半径需手动测量，个体差异可能影响精度。\n- **关键假设 2**：左右腿中心点的中点形成中心线，可用八阶代数样条平滑和插值。合理性：正常行走时两腿交替，中点轨迹较平滑；八阶样条能保证连续性和可微性，适合处理遮挡导致的数据缺失。\n- **关键假设 3**：通过中心点到最近行走方向法向量的符号区分左右腿。合理性：在行走方向已知且两腿分居中心线两侧时成立；转弯时使用局部窗口寻找最近行走方向，逻辑上合理。\n- **关键假设 4**：助行器腿部数据可通过聚类合并和到中心轨迹的距离阈值（$\\Delta d = 200mm$）去除。合理性：助行器腿与人体腿位置关系相对固定，距离阈值可区分；但阈值依赖实验设置，泛化性需注意。\n- **关键假设 5**：至少需要 3 个扫描点才能估计腿中心，由此推导最大范围 $d < R_{leg}/\\sin\\alpha \\approx 7.6m$（理想情况），实际水平放置可达 10m。合理性：几何推导正确，与实验结果一致。\n\n### 4. 核心贡献\n\n1) 提出一种使用低扫描率（10Hz）2D LiDAR 的步态跟踪方法，同时支持正常人和助行器使用者。\n2) 提出左右腿分离算法，利用中心线、行走方向和法向量符号，支持非线性行走路径。\n3) 提出基于八阶代数样条的平滑与插值方法，解决腿间遮挡导致的轨迹缺失问题。\n4) 提出助行器腿部数据去除算法，通过聚类合并和中心点方向距离分类，使助行器场景退化为正常人步态跟踪问题。\n5) 实验验证传感器正交放置比平行放置精度更高、范围更大：步长 RMSE 小于 2.0cm，行走距离 RMSE 小于 1.4cm，跟踪范围可达 10m。\n\n### 5. 清晰度评估\n\n- **结构**：IMRaD 结构清晰，方法部分按流程分为 6 个子节（II-B-1 至 II-B-6），实验部分分为系统验证和行走范围测试两部分。\n- **图表**：Fig.1 给出整体工作流程；Fig.2-11 展示方法各步骤；Fig.12-19 展示实验配置和轨迹结果；Table I 列出参数，Table II 给出 RMSE 结果。图表与正文对应良好。\n- **公式**：公式编号连续（1）-（31），符号定义基本清楚；但部分公式排版有轻微问题（如公式 (31) 中 $\\upsilon$ 的定义、Fig.10 标题位置），不影响理解。\n- **可读性**：总体易读；但方法部分需要结合图表反复阅读，尤其是聚类合并和左右腿分离部分。\n\n### 6. 继续或停止建议\n\n- **建议**：继续阅读（Continue）。\n- **理由**：论文属于方法类，核心算法在 Section II 有完整描述，实验在 Section III 有定量结果；对于需要复现或借鉴步态跟踪算法、LiDAR 腿部检测、样条插值处理遮挡的研究者，值得进入第二遍和第三遍精读。若仅需概览，本模块已足够。\n\n### 7. 结构大纲图\n\n```markmap\n# Human Gait Tracking Using 2D LiDAR\n## 引言\n- 背景与动机\n- 相关工作与不足\n- 本文贡献\n## 方法\n- 2D LiDAR 传感器模型\n- 行走区域检测\n- 聚类与中心点估计\n- 中心线估计\n- 左右腿分离\n- 速度与步长估计\n- 助行器腿部数据去除\n## 实验\n- 参数设置\n- 系统验证（两种传感器位置、不同速度、助行器）\n- 行走范围测试（U形路径）\n## 结论\n- 总结与结果\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### 1. 一句话问题定义\n\n本文要解决的问题是：**如何仅用一台固定于地面、低扫描率（10 Hz）的 2D LiDAR，在非线性行走路径下对正常人和助行器使用者的双腿进行稳定跟踪，并准确估计步长与行走距离**（摘要；Section I）。\n\n### 2. 痛点或现有方法不足\n\n- **金标准系统不适用于长期/院外监测**：Vicon、GAITRite 等精度高，但成本高、安装复杂，不适合长期监测和实验室外环境（Section I，参考文献 [^7][^8]）。\n- **可穿戴传感器有依从性问题**：需要固定在脚、小腿或腰部等特定部位，可能不舒适，且依赖用户长期佩戴意愿（Section I，参考文献 [^2]）。\n- **现有 LiDAR 步态研究多受限于高扫描率、直线路径和正常人群**：多数研究使用 40 Hz 高扫描率 LiDAR，且只处理直线行走；部分研究丢弃转弯路径，或只针对正常人，未覆盖助行器使用者（Section I，参考文献 [^24][^25][^26]）。\n- **双腿遮挡与转弯时的数据缺失**：行走过程中一条腿可能被另一条腿遮挡，导致腿部轨迹不连续，影响步长和行走距离估计（Section II-B.3；Section II-B.5）。\n- **助行器腿部数据干扰**：助行器使用者的扫描数据中混有助行器腿部数据，若不去除则无法直接套用正常人步态跟踪算法（Section II-B.6）。\n\n### 3. 形式化目标或优化目标\n\n- **腿部中心点估计的优化目标**：将每个腿部簇建模为固定半径圆，通过最小二乘圆拟合估计中心点，优化问题为（式 (4)）：\n  $$\n  \\min_{c_{m,i}}\\ \\sum_{k=1}^{n_m}\\left((r_k-c_{m,i})^2-R_{leg}^2\\right)^2\n  $$\n  其中 $c_{m,i}$ 为第 i 次扫描中第 m 个簇的圆心，$R_{leg}$ 为固定腿半径。\n- **中心线/轨迹平滑插值目标**：采用八阶代数样条对中点序列和左右腿轨迹进行平滑与插值，并对样条系数施加直到三阶导数的连续性约束，以弥补遮挡造成的数据缺失（式 (6)；Section II-B.3；Section II-B.5）。\n- **左右腿分离目标**：通过“到左右腿最近更新点的距离阈值”和“中心点法向量与最近行走方向夹角符号”两个准则，将聚类中心分类为左腿或右腿（式 (8)-(14)；Section II-B.4）。\n- **助行器腿部数据去除目标**：通过滑动窗口中心点方向、聚类合并和距离阈值 $\\Delta d$，将簇分类为“人腿”或“助行器腿”，从而去除助行器腿部数据（式 (24)-(31)；Section II-B.6）。\n\n### 4. 成功标准（指标或期望性质）\n\n- **步长估计精度**：水平放置 LiDAR 时，步长估计 RMSE 小于 2.0 cm（摘要；Table II）。\n- **行走距离估计精度**：水平放置 LiDAR 时，行走距离估计 RMSE 小于 1.4 cm（摘要；Table II）。\n- **跟踪范围**：水平放置 LiDAR 时，系统跟踪范围可达 10 m；平行放置时约为 4–5 m（Section III-C；Fig. 18；Fig. 19）。\n- **对行走速度的鲁棒性**：水平放置时，步长 RMSE 随速度仅从 0.014 m 缓慢增至 0.020 m，行走距离 RMSE 几乎不受速度影响（Table II；Section III-B）。\n- **对助行器使用者的适用性**：使用助行器时的估计结果与无助行器正常速度行走结果相近，验证了助行器腿部数据去除算法的有效性（Section III-B；Table II）。\n- **对非线性路径的适应性**：U 形路径实验表明该方法可跟踪非线性行走路径（Section III-C；Fig. 18；Fig. 19）。\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: 相关工作与定位\n\n#### 1. 最强基线及比较轴\n\n- **最强基线**：\n  - **Vicon 与 GAITRite**：被作者称为步态测量的“金标准”系统（Section I, 参考文献 [^7][^8]）。比较轴是**精度 vs. 长期监测/实验室外可用性**。作者指出这些系统精度高，但成本高、安装复杂，不适合长期监测和实验室外环境。\n  - **地面固定 2D LiDAR 步态跟踪方法**：\n    - [^24][^27]（Palleja/Teixidó 等）：2D LiDAR 平行于行走方向放置，离地 0.1m，40Hz 扫描率，跟踪范围达 10m，但**仅支持直线行走路径**，且只针对正常人。\n    - [^25]（Fudickar 等）：LiDAR 正交于行走方向放置，测试 10Hz 和 40Hz 两种扫描率，但**低扫描率下腿部检测效果差**，且**丢弃转弯路径**，只在线性路径上评估步态参数。\n    - [^26]（Yorozu 等）：使用 Kalman 滤波估计腿部轨迹，仅考虑 LiDAR 平行位置；在直线行走阶段用五种腿部模式计算观测值，转弯阶段用样条插值估计遮挡期间的腿部位置。\n  - **比较轴**：传感器放置方式（平行/正交）、扫描率（10Hz/40Hz）、是否支持非线性路径、是否支持助行器使用者、跟踪范围、步长/距离 RMSE。\n\n#### 2. 最接近的方法与关键差异\n\n- **最接近方法**：\n  - **[^26] Yorozu et al.**：同样使用地面固定 2D LiDAR 进行腿部跟踪，并针对转弯时的腿部遮挡使用样条插值。\n    - 核心思想：用 Kalman 滤波跟踪腿部，结合步态相位和样条插值处理转弯遮挡。\n    - 局限：仅支持 LiDAR 平行于行走方向；仅针对正常人，未处理助行器使用者；需要较高扫描率或特定腿部模式假设。\n  - **[^24][^27] Palleja/Teixidó et al.**：地面固定 LiDAR 平行放置，40Hz 扫描率，左右腿分离，但仅直线路径。\n    - 核心思想：利用高扫描率获取密集腿部扫描点，通过几何/聚类方法分离左右腿。\n    - 局限：无法处理非线性路径；未考虑助行器场景。\n  - **[^25] Fudickar et al.**：LiDAR 正交放置，但低扫描率下效果差，且丢弃转弯数据。\n    - 核心思想：正交放置以扩大跟踪范围，但依赖高扫描率保证腿部检测。\n    - 局限：10Hz 下不可靠；不支持转弯/非线性路径。\n- **关键差异（本文 vs. 最接近方法）**：\n  - 本文使用 **10Hz 低扫描率 2D LiDAR**，可正交或平行放置，且**支持非线性（U 形）路径**（Section III-C, Fig. 17-19）。\n  - 本文提出**八阶代数样条**对中心线和左右腿轨迹进行平滑与插值，解决腿部遮挡问题（Section II-B.3, II-B.5, 公式 (6), (15)）。\n  - 本文首次在同类地面固定 LiDAR 步态跟踪中**显式处理助行器使用者**，提出**walker 腿部数据去除算法**（Section II-B.6, Fig. 9-11），将问题转化为正常人步态跟踪。\n  - 实验表明正交放置时跟踪范围可达 10m（正常人）和 9m（助行器使用者），步长 RMSE < 2.0cm，距离 RMSE < 1.4cm（摘要, Table II）。\n\n#### 3. 正交方向\n\n- **移动平台/机器人搭载 LiDAR**：\n  - [^19] Cifuentes et al.：机器人搭载 LiDAR 跟踪腿部，同时用 IMU 估计躯干运动，用于人机交互。\n  - [^20] Piezzo et al.：移动人形机器人作为步行训练器，仅用底部 2D LiDAR 跟踪腿部，只估计步长，无方向估计，路径仅直线。\n  - [^21][^22] CPWalker 等：智能助行器/外骨骼平台，LiDAR 置于平台前方检测患者腿部，系统复杂且需额外传感器。\n  - 这些方向与本文不同：传感器随平台移动，需要额外传感器估计平台姿态，而本文传感器固定在地面，系统更简单。\n- **3D LiDAR 人体分类/活动识别**：\n  - [^29] Yan et al.：3D LiDAR 用于在线学习人体分类，重点不是步态参数。\n  - [^28] Benedek et al.：4D 监控系统中的 LiDAR 步态分析与活动识别，属于监控场景，而非步长/距离估计。\n- **机器学习腿部检测**：\n  - [^23] Li et al.：用多类型特征和机器学习在 2D 激光数据中检测腿部，但未涉及完整步态跟踪和助行器场景。\n- **可穿戴传感器步态分析**：\n  - [^2] Tao et al.：基于可穿戴传感器（脚、小腿、腰部）的步态分析，低成本、适合长期监测，但需要用户佩戴特定设备，可能不舒适。\n\n#### 4. 一句话定位\n\n本文提出一种使用固定在地面的低扫描率 2D LiDAR、通过聚类-中心线-八阶样条插值-左右腿分离-助行器腿部数据去除的完整流程，在支持非线性路径的同时首次将地面 LiDAR 步态跟踪扩展到助行器使用者，并在正交放置时实现 10m 跟踪范围和亚厘米级步长/距离精度（Section II, Section III, Table II）。\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### 1. 核心机制概述\n\n论文提出一种基于固定在地面、离地 0.3m、扫描频率 10Hz 的 2D LiDAR 的人体步态跟踪方法，同时适用于正常人和助行器使用者。核心机制可概括为：\n\n- 将人体腿部扫描点建模为固定半径的圆，通过聚类和最小二乘圆拟合估计腿部中心点（Section II-B.2，公式 (4)）。\n- 利用同一扫描中两个腿部中心点的中点构成“中心线”，并用八阶代数样条对中心线进行平滑和插值，以解决双腿相互遮挡导致的中点缺失问题（Section II-B.3，公式 (6)）。\n- 通过“中心点法向量与最近行走方向之间的夹角符号”区分左右腿（Section II-B.4，公式 (14)-(15)）。\n- 对左右腿轨迹求导得到速度，用阈值法检测零速度区间，进而估计脚触地时刻和步长（Section II-B.5，公式 (16)-(20)）。\n- 对助行器使用者，先通过移动窗口中心点方向和聚类合并算法去除助行器腿数据，再进入与正常人相同的跟踪流程（Section II-B.6，公式 (21)-(31)）。\n\n整体上，该方法以“腿部中心点估计 + 样条插值 + 左右腿分离 + 零速度检测”为主线，将助行器场景转化为正常人场景，从而统一处理两类用户。\n\n### 2. 逐步分解\n\n### 步骤 1：行走区域检测（Walking Zone Detection）\n\n- 手动定义一个多边形区域，将测量点限制在腿部轮廓附近，去除环境扫描数据（Section II-B.1，Fig. 2 蓝色区域）。\n\n### 步骤 2：聚类与中心点估计（Clustering and Center Point Estimation）\n\n- 对每个扫描段内的数据点进行聚类，聚类需满足两个条件：\n  - 条件 1：簇内点数大于阈值 $N_c$（本文取 3）；\n  - 条件 2：相邻测量点的距离或角度变化超过阈值 $\\delta d$ 或 $\\delta\\theta$。\n- 将每个簇建模为固定半径 $R_{leg}$ 的圆，用最小二乘圆拟合估计圆心 $c_{m,i}$（公式 (4)），初值由簇内均值点沿径向偏移 $R_{leg}$ 得到（公式 (5)）。\n\n## 步骤 3：中心线估计（Center Line Estimation）\n\n- 对每个同时存在两个腿部中心的扫描，取两中心的中点；所有中点构成中心线（Fig. 3(a)）。\n- 由于遮挡导致部分扫描缺少中点，使用八阶代数样条对中点序列进行平滑和插值（公式 (6)），得到连续的中心线 $\\bar{m}_s(t)$。\n- 由样条中点序列计算行走方向 $wd_i$（公式 (7)），并设置最小位移阈值 $d_{min}$ 以忽略静止时段。\n\n## 步骤 4：左右腿分离（Left and Right Legs Separation）\n\n- 准则 1：若当前簇中心到左腿或右腿轨迹末端点的距离小于阈值 $\\delta d$，则归为对应腿（公式 (9)-(10)）。\n- 准则 2：在滑动窗口 $[i-M_s, i+M_s]$ 内找到离当前中心最近的行走方向 $wd_{m,min}$，计算中心到该方向的法向量 $n_{m,i}$；若法向量与行走方向夹角符号为正则判为左腿，为负则判为右腿（公式 (11)-(15)，Fig. 4-5）。\n\n## 步骤 5：速度与步长估计（Velocity and Step Length Estimation）\n\n- 对左右腿轨迹再次使用八阶样条平滑插值，得到可导轨迹 $r_{L,s}$ 和 $r_{R,s}$（Fig. 6）。\n- 速度由轨迹对时间的偏导得到（公式 (16)）。\n- 用阈值 $B_v$ 检测零速度区间（公式 (17)），零速度区间内速度最小值对应脚触地时刻（Fig. 7 红色菱形）。\n- 步长定义为同一只脚相邻两次触地时刻之间的轨迹距离（公式 (19)-(20)）。\n\n## 步骤 6：助行器腿数据去除（Walker Legs Data Removing）\n\n- 对每个扫描，用 $2N_w+1$ 个连续扫描的所有数据点计算移动窗口中心点 $cw_i$（公式 (21)），并估计中心点方向 $cd_i$（公式 (22)）。\n- 对扫描数据聚类后，若人体腿被助行器腿遮挡而分裂成多个簇，则按 5 个条件合并簇（公式 (23)-(28)，Fig. 9-10）：\n  1. 三个簇在角度上连续；\n  2. 合并后点数不少于 $N_c$；\n  3. 合并后宽度小于人体腿直径 $2R_{leg}$；\n  4. 两簇中心到 LiDAR 距离差小于 $R_{leg}$；\n  5. 中间簇宽度小于助行器腿直径 $R_{walker}$。\n- 合并后计算每个簇中心 $C_m$，并求其到最近中心点方向 $cd_{m,min}$ 的投影距离 $d_m$（公式 (29)-(30)）。\n- 若 $d_m < \\Delta d$ 则判为人体腿，否则判为助行器腿并去除（公式 (31)，Fig. 11）。\n\n### 3. 关键公式与模块作用\n\n| 公式/参数 | 作用 | 位置 |\n|---|---|---|\n| $p_{ji}=(d_{ji},\\theta_{ji})$，$x=d\\sin\\theta$，$y=d\\cos\\theta$ | 将 LiDAR 极坐标测量转换为直角坐标 | 公式 (1)-(2)，Section II-A |\n| $\\min_{c_{m,i}}\\sum((r_k-c_{m,i})^2-R_{leg}^2)^2$ | 固定半径圆拟合，估计腿部中心 | 公式 (4)，Section II-B.2 |\n| $\\bar{m}_{s,k}(u)=\\sum_{j=0}^{7}p_{kj}u^j$ | 八阶代数样条，平滑/插值中心线和腿部轨迹 | 公式 (6)，Section II-B.3 |\n| $wd_i=(\\bar{m}_{s,i+1}-\\bar{m}_{s,i})/\\|\\cdot\\|$ | 估计行走方向，用于左右腿分离 | 公式 (7)，Section II-B.3 |\n| $d_1=\\|c_{m,i}-r_{L,end}\\|$，$d_2=\\|c_{m,i}-r_{R,end}\\|$ | 基于距离的左右腿关联 | 公式 (9)-(10)，Section II-B.4 |\n| $\\text{sign}(\\angle(n_{m,i},wd_{m,min}))$ | 基于法向量符号的左右腿分类 | 公式 (14)-(15)，Section II-B.4 |\n| $v_L=\\partial r_{L,s}/\\partial t$，$v_R=\\partial r_{R,s}/\\partial t$ | 由样条轨迹求速度 | 公式 (16)，Section II-B.5 |\n| $v_{L,j}\\le B_v$，$v_{R,j}\\le B_v$ | 零速度区间检测，用于脚触地检测 | 公式 (17)，Section II-B.5 |\n| $s_{L,k_1}=\\|r_{L,s,t_{L,k_1+1}}-r_{L,s,t_{L,k_1}}\\|$ | 同一只脚相邻触地时刻间的步长 | 公式 (19)-(20)，Section II-B.5 |\n| $cw_i=\\frac{1}{\\sum N_k}\\sum p_{j,k}$ | 移动窗口中心点，用于助行器腿去除 | 公式 (21)，Section II-B.6 |\n| 合并条件 (23)-(28) | 合并被助行器腿遮挡而分裂的人体腿簇 | 公式 (23)-(28)，Section II-B.6 |\n| $d_m=(C_m-cw_{k^*})'\\upsilon/\\|\\upsilon\\|$ | 计算簇中心到中心点方向的投影距离 | 公式 (30)，Section II-B.6 |\n| $C_m=human$ if $d_m<\\Delta d$ | 区分人体腿与助行器腿 | 公式 (31)，Section II-B.6 |\n\n关键参数（Table I）：$d_{min}=30\\text{mm}$，$\\delta d=50\\text{mm}$，$B_v$ 按慢/正常/快速度分别取 400/600/800 mm/s，$R_{walker}=15\\text{mm}$，$\\Delta d=200\\text{mm}$。\n\n### 4. 过程流程图\n\n```mermaid\nflowchart TD\n  A[\"2D LiDAR 原始扫描数据\"] --> B[\"行走区域检测（手动多边形）\"]\n  B --> C[\"聚类与圆拟合（腿部中心点估计）\"]\n  C --> D{\"是否为助行器使用者？\"}\n  D -- 是 --> E[\"助行器腿数据去除\\n（移动窗口中心点 + 聚类合并）\"]\n  E --> F[\"剩余人体腿数据\"]\n  D -- 否 --> F\n  F --> G[\"中心线估计（八阶样条插值）\"]\n  G --> H[\"左右腿分离（法向量与行走方向符号）\"]\n  H --> I[\"速度估计与零速度检测\"]\n  I --> J[\"步长与行走距离估计\"]\n```\n\n该流程图对应论文 Fig. 1 的工作流程：正常人与助行器使用者的唯一区别在于是否执行“助行器腿数据去除”步骤；去除后两者共用同一套跟踪算法。\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### 1. 数据集与基准\n\n- 论文未使用公开数据集或标准基准，而是自建实验数据集；Optitrack 光学跟踪系统作为地面真值（gold standard）用于定量评估。\n- 实验一（系统验证）：4 名健康受试者（3 男 1 女）；每人从左脚开始走 5 步（左 3 步、右 2 步）；无助行器时每人以慢、正常、快 3 种速度各走 5 次（共 15 次）；使用助行器时每人以正常速度走 5 次。两种 LiDAR 位置（平行与水平/正交于行走方向）同时采集。\n- 实验二（行走范围）：3 名受试者走 U 形路径；平行 LiDAR 的最大行走距离为 4m、5m、6m；水平 LiDAR 为 9m、10m、11m（LiDAR 置于中点）；每个距离下每名受试者无助行器/有助行器各走 5 次，正常速度；每名受试者每个 LiDAR 位置共 30 次数据（3 距离 × 5 次 × 2 条件）。\n- 场景覆盖：室内步行环境，正常人与助行器使用者，直线与 U 形非线性路径，不同速度水平。\n\n### 2. 预处理与划分/覆盖设置\n\n- 预处理流程：手动定义行走区域多边形以去除环境点云；按距离/角度阈值进行聚类；用最小二乘圆拟合估计腿部中心点；用八阶代数样条对中点线和左右腿轨迹进行平滑与插值；通过零速度检测估计脚触地时刻；对助行器使用者，先进行簇合并（处理人腿被助行器腿遮挡的情况），再按到中心线方向的距离区分并去除助行器腿数据。\n- 关键参数（Table I）：d_min = 30mm（式 7），δd = 50mm（式 10），B_v = 400/600/800mm/s（分别对应慢/正常/快速度，式 17），R_walker = 15mm（式 28），Δd = 200mm（式 31）；腿半径 R_leg 由人工用卷尺测量。\n- 划分/覆盖：由于方法不涉及学习，没有训练/测试集划分；实验按速度水平（慢/正常/快）、是否使用助行器、LiDAR 位置（平行/水平）、行走距离（4–11m）和路径形状（直线/U 形）进行条件覆盖，用于验证不同因素对跟踪性能的影响。\n\n### 3. 训练/推理/评估环境\n\n- 无训练过程；推理/评估在固定算法参数下进行。\n- 传感器：RPLIDAR A3M1 2D LiDAR，扫描频率 10Hz，角分辨率 0.3°，离地高度 0.3m（胫骨高度）。\n- 参考系统：Optitrack 相机系统，红外标记贴在每侧小腿（shank）上，作为位置真值。\n- 评估指标：步长误差 Se_i = SL_i,optitrack − SL_i,LiDAR；总距离误差 De_k = D_k,optitrack − D_k,LiDAR = ΣSe_i；去除离群点后计算 RMSE。\n- 主要结果（Table II）：平行 LiDAR 的步长 RMSE 为 0.011–0.025m，总距离 RMSE 为 0.012–0.035m；水平 LiDAR 的步长 RMSE 为 0.014–0.020m，总距离 RMSE 为 0.006–0.014m；助行器条件下的结果与无助行器正常速度接近。最大行走范围：水平放置时正常步态约 10m、助行器步态约 9m；平行放置时约 5m/4m。\n- 复现环境：论文未提供代码、数据集、附录或原始实验数据；参数依赖手动测量和具体场地设置，复现需要自行搭建相同传感器配置。\n\n### 4. 这些选择的意义与验证目标\n\n- 低扫描率（10Hz）与水平放置：验证低成本 LiDAR 在正交于行走方向放置时可将跟踪范围扩展到 10m，同时保持较高精度。\n- 多速度水平：验证算法在不同步速下的鲁棒性；结果显示平行 LiDAR 在快速行走时误差增大，而水平 LiDAR 更稳定。\n- 助行器条件：验证助行器腿部数据去除算法，证明系统适用于需要行走辅助的康复人群。\n- U 形非线性路径：验证左右腿分离、遮挡处理和样条插值在转弯场景下的有效性。\n- Optitrack 金标准对比：提供定量误差，支撑“步长 RMSE < 2.0cm、距离 RMSE < 1.4cm”的结论。\n- 手动参数（如 R_leg）：说明方法依赖先验腿半径，实际部署时需校准，这是方法的一个局限。\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### 1. 指标定义\n\n- **步长误差 Se**：Se_i = SL_i,optitrack - SL_i,LiDAR（式 32），其中 SL_i 为第 i 步步长。\n- **总行走距离误差 De**：De_k = D_k,optitrack - D_k,LiDAR = Σ Se_i（式 33），即各步长误差的累计。\n- **RMSE**：去除离群值后计算的步长估计与总行走距离估计的均方根误差，单位米（Table II）。\n- **步长定义**：同一只脚连续两次触地时刻之间，样条轨迹上的距离（式 20-21）。\n- **触地检测**：在零速度区间内取速度最小值作为脚触地时刻（Fig. 6、Fig. 7）。\n- **跟踪范围**：能稳定估计腿中心点的最大距离；理想条件下由 d < R_leg / sin(α) 决定（式 34-35），其中 α=0.3° 为角分辨率。\n\n### 2. 主要结果\n\n- **平行放置 LiDAR（10Hz）**：\n  - 步长 RMSE：慢速/正常/快速下，左腿 0.012/0.016/0.023 m，右腿 0.011/0.016/0.025 m。\n  - 总距离 RMSE：左腿 0.012/0.021/0.030 m，右腿 0.014/0.025/0.035 m。\n  - 最大步长误差 0.059 m，最大总距离误差 0.043 m。\n- **水平放置 LiDAR（10Hz）**：\n  - 步长 RMSE：慢速/正常/快速下，左腿 0.014/0.015/0.020 m，右腿 0.015/0.019/0.020 m。\n  - 总距离 RMSE：左腿 0.009/0.010/0.014 m，右腿 0.011/0.006/0.006 m。\n  - 最大步长误差 0.043 m，最大总距离误差 0.030 m。\n- **助行器使用者（正常速度）**：\n  - 平行放置：步长 RMSE 左/右 0.013/0.017 m，总距离 RMSE 0.014/0.022 m。\n  - 水平放置：步长 RMSE 左/右 0.014/0.018 m，总距离 RMSE 0.006/0.010 m。\n- **跟踪范围**：平行放置时正常步态约 5 m、助行器步态约 4 m；水平放置时正常步态约 10 m、助行器步态约 9 m（Fig. 18、Fig. 19）。\n- **总体结论**：水平放置优于平行放置；步长估计 RMSE 小于 2.0 cm，行走距离估计 RMSE 小于 1.4 cm（摘要）。\n\n### 3. 与基线或代表性工作的对比\n\n- **与真值系统对比**：以 Optitrack 光学动捕系统为 ground truth，红外标记贴在胫骨处（Section III-B）。\n- **与先前 LiDAR 步态跟踪研究对比**：\n  - 多数先前工作使用 40 Hz 高扫描率 LiDAR、平行于行走方向放置，且仅支持直线路径、仅针对正常人（如 [^24]、[^27]）。\n  - [^25] 使用 10 Hz 与 40 Hz LiDAR 正交放置，但 10 Hz 下腿部检测效果差，且丢弃转弯路径。\n  - [^26] 使用 Kalman 滤波和平行放置，仅处理直线行走阶段，转弯阶段用样条插值估计遮挡。\n  - 本文在 10 Hz 低扫描率下，通过正交放置将跟踪范围扩展到 10 m，并同时支持非线性路径和助行器使用者（Section I、Section III-C）。\n- **对比方式说明**：论文未提供与这些方法的统一定量对比表，主要通过与自身两种传感器位置、三种速度、有无助行器的实验配置进行对比，并以 Optitrack 为绝对基准。\n\n### 4. 消融、敏感性或跨论文差异分析\n\n- **传感器位置消融（平行 vs 水平）**：水平放置时腿到 LiDAR 距离更近，扫描点更多，腿中心点估计更准；两种位置扫描腿的侧面不同，也导致中心点估计差异（Section III-B）。\n- **速度敏感性**：平行放置时步长和总距离 RMSE 随速度增加而增大；水平放置时步长 RMSE 仅轻微增加，总距离 RMSE 几乎不受速度影响（Table II）。\n- **助行器数据去除验证**：助行器条件下的误差与无助行器正常速度结果相近，说明 walker 腿数据去除算法有效（Section III-B）。\n- **参数敏感性**：Table I 给出关键参数：d_min=30 mm、δd=50 mm、B_v 按速度取 400/600/800 mm/s、R_walker=15 mm、Δd=200 mm；腿半径 R_leg 由人工用卷尺测量。理想最大跟踪范围 d_max=7.6 m（R_leg=0.04 m，α=0.3°），实际水平放置可达 10 m。\n- **局限与缺失**：论文未做逐模块消融（如去掉样条插值、去掉合并算法等）；离群值去除标准未详细说明；实验仅 4 名健康受试者，样本量较小；未报告跨受试者个体差异的统计检验。\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### 理论方向\n\n- **腿半径固定假设的泛化**：论文将腿建模为固定半径圆（Section II-B.2, Eq. (5)），并手动测量腿半径（Section III-A）。后续可研究基于扫描点云在线估计腿半径或腿形，或采用可变半径椭圆/非参数模型，以适配不同体型、衣物、水肿等情形。\n- **遮挡与样条插值的理论分析**：八阶样条用于中点和轨迹插值（Section II-B.3, II-B.5, Eq. (8)），但缺乏对遮挡时长、扫描率、样条阶数与插值误差之间关系的理论界。可推导误差上界，指导扫描率与样条阶数的选择。\n- **多传感器/多视角融合理论**：水平放置可扩大跟踪范围至10m（Section III-C, Fig. 19），但单LiDAR仍存在遮挡和距离限制。可研究多LiDAR最优布局、坐标联合标定与贝叶斯融合，以及非线性路径下的可观测性分析。\n\n### 工程方向\n\n- **实时化与嵌入式部署**：当前算法含聚类、圆拟合、八阶样条、滑窗等步骤（Section II），未报告计算耗时。可优化为实时流水线，并在嵌入式平台（如Jetson、Raspberry Pi）上验证10Hz实时性。\n- **自动行走区域检测**：行走区域依赖人工多边形标定（Section II-B.1, Fig. 2）。可结合背景建模或深度学习方法自动生成并动态更新行走区域，减少部署时的人工干预。\n- **参数自适应**：阈值如 \\(d_{min}\\)、\\(\\delta d\\)、\\(B_v\\)、\\(R_{walker}\\)、\\(\\Delta d\\)（Table I）目前为固定值。可设计基于速度或步态相位的自适应阈值，或提供在线标定流程。\n- **助行器类型扩展**：合并算法针对特定助行器腿宽（\\(R_{walker}=15mm\\)，Eq. (28)）。可扩展至四轮助行器、拐杖、轮椅等，并验证不同遮挡模式下的鲁棒性。\n\n### 数据/评估方向\n\n- **更大规模与多样本验证**：实验仅4名健康受试者（Section III-B），且walker组每人仅5次。需扩大样本量，覆盖不同年龄、性别、身高及步态异常人群，并报告统计显著性。\n- **临床与长期场景评估**：论文面向康复与老年人应用（Introduction），但实验为短时直线/U形路径。可设计Timed Up and Go、6分钟步行等临床测试，评估长期监测中的漂移、环境变化和系统鲁棒性。\n- **公开基准数据集与可复现性**：论文未提供代码或数据集。可发布带OptiTrack真值、多位置LiDAR、正常/助行器步态的公开数据集，并统一评估指标（步长RMSE、距离RMSE、轨迹误差），便于后续对比。\n- **更多步行模式与干扰**：当前验证了慢/正常/快速度和U形路径（Section III-C）。可补充急转弯、往返、上下坡、多人场景、部分遮挡（桌椅、门框）等，量化失败模式与适用范围。\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### 部署约束\n\n- 传感器需固定在地面或近地面，离地高度 0.3m（Section II-A、Fig. 13），安装位置需保证小腿高度附近无遮挡，且地面平整。\n- 行走区域需人工定义多边形以滤除环境点云（Section II-B.1、Fig. 2），部署时需现场标定，无法全自动适应新环境。\n- 有效跟踪范围有限：水平（正交）放置时约 10m，平行放置时约 4–5m（Section III-C、Fig. 18–19）；超出该范围后腿部扫描点不足，样条插值失效，轨迹出现明显偏差。\n- 依赖 LiDAR 的扫描频率与角分辨率：本文使用 10Hz、0.3° 的 RPLIDAR A3M1；结论部分指出更高扫描率与角分辨率可扩大跟踪范围。\n- 腿半径 R_leg 需人工用卷尺测量（Section III-A），不同用户、不同着装（厚裤、护具）需重新标定。\n- 适用于室内或受控环境；若有其他移动物体进入行走区域多边形，可能被误检为腿部数据。\n\n### 计算与延迟影响\n\n- 算法主要由聚类、圆拟合、八阶样条插值和阈值判断组成（Section II-B），无深度学习或高维优化，计算量较低。\n- 在 10Hz 扫描率下，单帧处理需在约 100ms 内完成才能满足实时性；论文未报告具体延迟，但算法结构支持嵌入式或低功耗平台实时运行。\n- 样条平滑与插值使用滑动窗口（如 2M_s+1 个中间点，Section II-B.3），可能引入少量滞后；若用于实时步态反馈或交互，需评估窗口长度带来的延迟。\n- 助行器数据去除需对连续 2N_w+1 帧计算中心点（Section II-B.6），增加少量内存与计算开销，但整体仍属轻量。\n\n### 鲁棒性与安全性\n\n- 鲁棒性：通过八阶样条处理左右腿遮挡（Section II-B.3、II-B.5），通过聚类合并处理助行器腿遮挡（Section II-B.6、Fig. 9–10），并支持 U 形等非线性路径（Section III-C）。\n- 局限：远距离时扫描点不足导致轨迹发散（Fig. 18–19 第三行）；平行放置时快速行走误差增大（Table II），最大步长 RMSE 0.025m、距离 RMSE 0.035m。\n- 阈值依赖：d_min、δd、B_v、R_walker、Δd 等参数需按场景调整（Table I），其中 B_v 分慢/正常/快三档，实际使用需自动或手动切换，否则影响零速度检测与步长估计。\n- 安全：LiDAR 为光学传感器，需确认其人眼安全等级；地面安装设备可能成为绊脚石，尤其对老年或康复用户存在跌倒风险。\n- 临床责任：系统输出步长与行走距离，若用于医疗或康复评估，需明确其非诊断设备属性；误检、漏检或参数设置不当可能产生错误步态参数，需人工复核。\n- 环境鲁棒性：论文未讨论光照、反光表面、灰尘、雨雾等影响；2D LiDAR 在户外强光、多径或镜面环境下可能退化。\n\n### 可维护性\n\n- 硬件维护：需定期清洁 LiDAR 窗口，检查支架高度与水平度，防止碰撞导致位姿偏移。\n- 软件维护：行走区域多边形、腿半径、速度阈值等参数需随用户或场景重新标定；建议提供标定流程、参数配置文件和异常告警机制。\n- 长期监测：10Hz 低功耗 LiDAR 适合长时间运行，但需考虑供电、数据存储与远程传输方案；论文未涉及电池续航、数据压缩或网络传输。\n- 可扩展性：算法不依赖特定 LiDAR 型号，可更换更高扫描率传感器以提升范围，但需重新验证阈值与样条参数。\n- 可复现性：论文未提供代码或数据集，复现需按 Section II 公式与 Table I 参数自行实现，维护成本较高。\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### 1. 总结段落\n\n本文提出一种基于固定在地面、离地0.3m、10Hz扫描率的2D LiDAR的人类步态跟踪方法，同时适用于正常人和助行器使用者（Section I, II）。方法先通过行走区域检测、聚类和固定半径圆拟合估计腿部中心点（Section II-B.2），再利用左右腿中心点的中点构成中心线，并用八阶代数样条对遮挡造成的中点缺失进行平滑与插值（Section II-B.3）。左右腿分离采用位移阈值和相对行走方向的法向量符号两个判据（Section II-B.4）。对助行器使用者，算法通过滑动窗口中心点方向与聚类合并规则去除助行器腿部数据，使后续处理与正常人一致（Section II-B.6）。实验表明，水平放置LiDAR比平行放置精度更高，步长估计RMSE小于2.0cm，行走距离RMSE小于1.4cm（摘要、Table II）。在U形非线性路径测试中，水平放置的跟踪范围可达10m，平行放置约4-5m（Section III-C, Fig.18-19）。总体而言，该方法以低扫描率传感器实现了对非线性路径和助行器场景的鲁棒步态跟踪。\n\n### 2. 五个关键要点\n\n1. 核心贡献：仅用单个10Hz 2D LiDAR即可同时跟踪正常人和助行器使用者的双腿，并支持非线性行走路径（Section I, II）。\n2. 遮挡处理：采用八阶代数样条对中心线和左右腿轨迹进行平滑与插值，解决腿间遮挡导致的数据缺失（Section II-B.3, II-B.5）。\n3. 助行器数据去除：通过滑动窗口中心点方向、聚类合并和距离阈值 Δd=200mm 区分并去除助行器腿部数据（Section II-B.6, Table I, Eq.(31)）。\n4. 精度与范围：水平放置LiDAR时步长RMSE≤0.020m、距离RMSE≤0.014m，跟踪范围达10m；平行放置时误差随速度增大，范围约4-5m（Table II, Section III-C）。\n5. 局限：腿半径需手动测量，理想最大范围7.6m，实际更小；远距离扫描点不足时样条无法有效插值，导致轨迹偏差（Section III-C, Fig.18-19）。\n\n### 3. 核心公式/机制\n\n**核心机制：八阶代数样条插值**（Section II-B.3, Eq.(6)）\n\n$$\\bar{m}_{s,k}(u)=\\sum_{j=0}^{7} p_{k j} u^{j},\\quad t\\in[kT,(k+1)T],\\ u\\in[0,T]$$\n\n该公式用于对左右腿中心点的中点序列进行平滑和插值，以补偿腿间遮挡造成的中点缺失；同样的样条方法也用于左右腿轨迹的重建（Section II-B.5），从而支持速度与步长估计。\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### 1. 结构树\n\n- 论文整体结构：\n  - I. 引言：阐述步态跟踪的重要性，对比 Vicon/GAITRite、可穿戴传感器、LiDAR 方案，指出现有 LiDAR 步态跟踪多用于正常人行、高扫描率、直线路径，提出本文贡献：低扫描率 10Hz 2D LiDAR、支持非线性路径、同时覆盖正常人与助行器使用者。\n  - II. 方法：\n    - A. 2D LiDAR 传感器：极坐标到直角坐标转换，传感器参数（RPLIDAR A3M1，10Hz，0.3° 角分辨率，离地 0.3m）。\n    - B. 提出的步态跟踪方法：\n      1. 行走区域检测：手动多边形限定腿部扫描区域。\n      2. 聚类与中心点估计：基于点数阈值和距离/角度变化阈值聚类，用固定半径圆的最小二乘拟合估计腿部中心。\n      3. 中心线估计：取两腿中心中点，用八阶代数样条平滑插值缺失中点，估计行走方向。\n      4. 左右腿分离：基于位移阈值（Criterion 1）和法向量与行走方向夹角符号（Criterion 2）分类左右腿。\n      5. 速度与步长估计：对样条轨迹求导得到速度，用阈值检测零速度区间，取区间内速度最小值作为脚触地时刻，计算同侧脚连续触地距离为步长。\n      6. 助行器腿部数据去除：用滑动窗口中心点方向、聚类合并规则（五个条件）将助行器腿与人体腿分离，去除助行器腿数据。\n  - III. 实验结果：\n    - A. 参数：Table I 列出关键参数。\n    - B. 2D LiDAR 跟踪系统验证：对比平行与水平放置、不同速度、有无助行器，以 Optitrack 为真值。\n    - C. 跟踪范围：U 形路径实验，验证非线性路径和最大跟踪距离。\n  - IV. 结论：总结方法、精度和跟踪范围。\n  - 参考文献：31 篇。\n\n### 2. 方法/系统分解\n\n- 输入：\n  - 2D LiDAR 原始扫描数据，每帧为极坐标点集 \\(p_{ji}=(d_{ji},\\theta_{ji})\\)，转换为直角坐标 \\(r=[x,y]^T\\)。\n  - 传感器固定于地面，离地 0.3m，扫描率 10Hz，角分辨率 0.3°。\n  - 手动定义行走区域多边形。\n- 输出：\n  - 左右腿轨迹 \\(r_{L,s}\\)、\\(r_{R,s}\\)。\n  - 左右腿速度 \\(v_L\\)、\\(v_R\\)。\n  - 脚触地时刻序列。\n  - 步长序列 \\(s_L\\)、\\(s_R\\)。\n  - 总行走距离。\n  - 对助行器使用者，额外输出去除助行器腿后的纯人体腿数据。\n- 处理模块：\n  1. 行走区域检测：用多边形裁剪环境点，保留腿部扫描点。\n  2. 聚类与中心点估计：按条件（点数 > \\(N_c\\)，距离/角度变化 > 阈值）分割簇；用固定半径 \\(R_{leg}\\) 的圆拟合簇中心。\n  3. 中心线估计：对每帧两个中心取中点，用八阶样条插值缺失中点，得到平滑中心线；由相邻中点计算行走方向 \\(wd_i\\)。\n  4. 左右腿分离：结合最近邻位移阈值和法向量方向符号，将中心点分为左右腿。\n  5. 速度与步长估计：对左右腿样条轨迹求导，用阈值 \\(B_v\\) 检测零速度区间，取区间内速度最小值对应时刻为脚触地，计算步长。\n  6. 助行器腿部数据去除：计算滑动窗口中心点 \\(cw_i\\) 和方向 \\(cd_i\\)；对簇进行合并（处理人体腿被助行器腿遮挡的情况）；用中心点到中心点方向线的距离 \\(d_m\\) 与阈值 \\(\\Delta d\\) 分类人体腿/助行器腿，去除助行器腿。\n- 损失函数/训练：无监督学习，无损失函数，无训练过程；全部为基于几何模型和阈值的确定性算法。\n- 推理流程：\n  - 正常人行：扫描 → 行走区域裁剪 → 聚类 → 中心点估计 → 中心线估计 → 左右腿分离 → 样条轨迹平滑 → 速度/触地检测 → 步长/距离计算。\n  - 助行器使用者：扫描 → 行走区域裁剪 → 聚类/合并 → 中心点方向估计 → 人体/助行器腿分类 → 去除助行器腿 → 进入正常人行流程。\n\n### 3. 重要图表解读\n\n- 图 1（Workflow diagram）：展示了完整算法流程，是理解方法架构的关键。图中明确区分正常人行和助行器使用者两条路径：助行器使用者先经过“walker legs data removing”模块，之后与正常人行共用后续模块。该图对应 Section II-B 的整体结构，说明本文的核心贡献是“去除助行器腿数据 + 通用步态跟踪”。\n- 图 10（Cluster merging in scan 71）：展示了助行器腿遮挡人体腿时的簇合并示例。图 10(a) 中 6 个簇，其中簇 3 和簇 5 属于同一条人体腿但被助行器腿（簇 2）分隔；通过五个合并条件（连续性、点数、宽度、距离差、助行器腿宽度）将簇 3 和簇 5 合并为图 10(b) 中的一个簇。该图直观验证了 Section II-B.6 中合并算法的有效性，是助行器场景下数据预处理的关键证据。\n- 表 II（RMSE of estimated walking distance and step length）：总结了平行和水平两种 LiDAR 放置方式下，慢速、正常、快速、助行器四种条件的步长和总距离 RMSE。关键结论：水平放置时步长 RMSE 最大 0.020m，总距离 RMSE 最大 0.014m；平行放置时误差随速度增大，步长最大 0.025m，总距离最大 0.035m。该表支撑摘要中“RMSE 小于 2.0cm（步长）和 1.4cm（距离）”的结论，并说明水平放置优于平行放置。\n\n### 4. 实验/评估细节\n\n- 数据集：\n  - 实验 1（验证跟踪精度）：4 名健康受试者（3 男 1 女），均从左脚开始走 5 步（左 3 步、右 2 步）。无助行器时每人走 15 次，分为慢、正常、快三档速度，每档 5 次；使用助行器时每人以正常速度走 5 次。\n  - 实验 2（跟踪范围）：3 名受试者走 U 形路径。平行 LiDAR 时最大距离为 4m、5m、6m；水平 LiDAR 时最大距离为 9m、10m、11m。每个距离下，每人无/有助行器各走 5 次，因此每个 LiDAR 位置每人 30 次数据。\n- 真值：Optitrack 光学捕捉系统，红外标记贴在每个小腿上。\n- 指标：\n  - 步长误差 \\(Se_i = SL_{i,optitrack} - SL_{i,LiDAR}\\)。\n  - 总距离误差 \\(De_k = D_{k,optitrack} - D_{k,LiDAR} = \\sum Se_i\\)。\n  - 去除离群点后计算 RMSE。\n- 对比目标：\n  - LiDAR 平行 vs 水平放置。\n  - 慢速、正常、快速三档速度。\n  - 无walker vs 有walker。\n  - 与 Optitrack 光学系统对比。\n- 公平性：两个 LiDAR 均以 10Hz 扫描率、0.3m 高度放置；同一批受试者完成所有条件；步数、起始脚、行走路径保持一致。\n- 消融/变体分析：\n  - 没有传统意义上的消融实验，但通过“平行 vs 水平”位置对比，验证了传感器放置对性能的影响。\n  - 通过“无walker vs 有walker”对比，验证了助行器腿去除模块的有效性。\n  - 通过 U 形路径实验，验证了非线性路径下的跟踪能力。\n- 主要结果：\n  - 平行 LiDAR：步长 RMSE 0.011–0.025m，总距离 RMSE 0.012–0.035m，误差随速度增大。\n  - 水平 LiDAR：步长 RMSE 0.014–0.020m，总距离 RMSE 0.006–0.014m，误差受速度影响小。\n  - 助行器条件下的结果与正常速度无walker结果相近，说明算法对助行器场景鲁棒。\n  - 跟踪范围：平行 LiDAR 约 5m（正常）、4m（助行器）；水平 LiDAR 约 10m（正常）、9m（助行器）。\n\n### 5. 方法流程图（图示）\n\n```mermaid\ngraph TD\n    A[2D LiDAR 原始扫描] --> B[行走区域检测]\n    B --> C[聚类与中心点估计]\n    C --> D{是否助行器使用者?}\n    D -- 是 --> E[助行器腿部数据去除]\n    E --> F[中心线估计]\n    D -- 否 --> F\n    F --> G[左右腿分离]\n    G --> H[八阶样条轨迹平滑与插值]\n    H --> I[速度估计与零速度检测]\n    I --> J[脚触地检测]\n    J --> K[步长与行走距离计算]\n    K --> L[输出左右腿轨迹/步长/距离]\n```\n\n该图对应论文 Section II-B 的流程：先通过行走区域检测和聚类得到腿部中心点；若为助行器使用者，先去除助行器腿数据；随后统一进行中心线估计、左右腿分离、样条插值、速度/触地检测和步长计算。\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### 1. 可重建性（Reconstructability）\n\n可依据论文 Section II 与 Table I 重建核心算法流程。伪代码如下：\n\n```text\n输入：2D LiDAR 10Hz 扫描序列 S_i（极坐标转直角坐标，式(1)-(3)）\n参数：R_leg（人工测量）、N_c=3、δd=50mm、d_min=30mm、B_v（按速度档）、R_walker=15mm、Δd=200mm\n\nfor each scan i:\n  1. 行走区域检测：用人工多边形裁剪环境点（II-B.1, Fig.2）\n  2. 聚类：按点数>N_c 且距离/角度跳变>阈值分割（II-B.2）\n  3. 圆拟合：固定半径 R_leg 最小二乘估计腿中心 c_m,i（式(4)-(6), Fig.2）\n  4. 中心线估计：若该扫描有两个中心，取中点；用八阶样条平滑/插值缺失中点（式(7), Fig.3）\n  5. 左右腿分离：\n     - 准则1：与左/右腿上一位置距离<δd 则归属（式(8)-(10)）\n     - 准则2：用滑动窗口找最近行走方向，由法向量与行走方向夹角符号判定左右（式(11)-(15), Fig.4-5）\n  6. 速度与步长：\n     - 对左右腿轨迹做八阶样条插值（Fig.6）\n     - 数值微分得速度（式(16)）\n     - 阈值 B_v 检测零速度区间，取区间内速度最小值时刻为足触地（式(17), Fig.7）\n     - 步长=同侧相邻两次触地时刻的轨迹距离（式(18)-(19)）\n  7. 若为助行器使用者：\n     - 计算滑动窗口中心点 cw_i 与方向 cd_i（式(20)-(21), Fig.8）\n     - 聚类并合并被助行器腿遮挡造成分裂的人腿簇（式(22)-(28), Fig.9-10）\n     - 计算簇中心到中心点方向的距离 d_m，以 Δd 区分人腿/助行器腿并删除助行器腿（式(29)-(31), Fig.11）\n     - 回到步骤 2-6 处理剩余人腿数据\n```\n\n重建时需要注意：R_leg 需人工用卷尺测量（Section III-A）；样条系数求解细节未完全展开，需参考 [^31]；聚类阈值 δd、B_v 等依赖 Table I 的经验值。\n\n### 2. 假设（Assumptions）\n\n- 腿可建模为固定半径的圆，且半径 R_leg 在实验前人工测量（II-B.2, III-A）。\n- 传感器固定在地面/固定位置，且扫描平面位于小腿高度（0.3m），能扫到双腿截面（I, II-A）。\n- 行走区域可预先用多边形人工标定，环境点可被剔除（II-B.1）。\n- 左右腿中心相对中心线两侧分布，且行走方向可由中心线局部估计（II-B.3, II-B.4）。\n- 零速度区间可通过速度阈值 B_v 检测，且足触地时刻对应零速度区间内速度最小值（II-B.5）。\n- 助行器腿比人腿细（R_walker=15mm），且人腿被助行器腿遮挡时分裂出的簇满足合并条件（II-B.6, Table I）。\n\n### 3. 失败模式或盲区（Failure Modes / Blind Spots）\n\n- 远距离扫描点不足：当人腿距 LiDAR 超过约 7.6m（理想）或实际 10m（水平放置）时，腿上的扫描点少于 3 个，圆拟合失效，样条无法正确插值，轨迹出现大偏差（III-C, Fig.18-19）。\n- 快速行走时平行放置误差增大：平行 LiDAR 下，步长 RMSE 随速度从 0.011m 增至 0.025m，总距离 RMSE 从 0.012m 增至 0.035m，原因是腿距传感器越远、扫描数据越少（III-B, Table II）。\n- 遮挡与簇分裂：双腿交叉或助行器腿遮挡时，若分裂簇不满足合并条件，会丢失人腿数据或误分类（II-B.6, Fig.9-10）。\n- 依赖人工参数与标定：行走区域多边形、R_leg、B_v 等需人工设定，不同体型/步态需重新调整，否则影响中心估计与零速度检测（II-B, Table I）。\n\n### 4. 优势与不足（Strengths and Weaknesses）\n\n### 优势\n\n- 仅用单个低扫描率 10Hz 2D LiDAR，成本低、安装简单，适合长期/非实验室环境监测（I, II-A）。\n- 同时支持正常人和助行器使用者，并显式处理助行器腿数据去除（II-B.6）。\n- 支持非线性行走路径（U 形路径），通过八阶样条处理腿间遮挡（II-B.3, III-C）。\n- 水平放置时步长 RMSE<2.0cm、距离 RMSE<1.4cm，跟踪范围达 10m（摘要, Table II）。\n\n## 不足\n\n- 需要人工测量腿半径和人工标定行走区域，自动化程度有限（II-B.1, III-A）。\n- 平行放置时精度随速度下降明显，快速行走下最大步长误差 0.059m、距离误差 0.043m（III-B）。\n- 实验规模较小：仅 4 名健康受试者，walker 条件每人仅 5 次，缺乏患者/老年人数据（III-B）。\n- 未与 Vicon/GAITRite 等金标准直接对比，而是用 Optitrack 作为参考（III-B）。\n- 样条插值在长距离/数据缺失严重时会产生大偏差（III-C, Fig.18-19）。\n\n### 5. 下一步研究方向（Next-Step Research Directions）\n\n- 引入自适应腿半径估计或基于机器学习/深度学习的腿检测，减少人工测量与阈值依赖（可结合 [^23] 的特征方法）。\n- 扩展多传感器或更高扫描率 LiDAR，提高远距离和快速行走下的点密度，从而扩大跟踪范围并降低速度相关误差（IV）。\n- 在真实患者/老年人群体中验证，并加入步态参数（步宽、步频、对称性等）的临床评估（I, IV）。\n- 将方法迁移到移动平台（如智能助行器/机器人）并与 IMU 融合，实现更复杂的动态场景跟踪（I, [^19][^21]）。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n### 术语表\n\n1. **2D LiDAR（二维激光雷达）**\n   - **定义**：在单一平面内通过旋转测距核心发射激光并测量距离的传感器，输出一系列“距离-角度”点。\n   - **直觉**：相当于在离地0.3m处用一把激光尺水平扫一圈，得到腿部截面的轮廓点。\n   - **在论文中的作用**：本文唯一传感器，固定于地面，以10Hz扫描率获取双腿扫描数据。\n   - **前置知识**：激光测距原理、极坐标与笛卡尔坐标转换。\n\n2. **RPLIDAR A3M1**\n   - **定义**：思岚科技生产的低成本360°二维激光雷达，本文使用其10Hz扫描频率和0.3°角分辨率。\n   - **直觉**：具体硬件型号，决定数据密度和可探测范围。\n   - **在论文中的作用**：实验传感器，其低扫描率是算法需要处理遮挡和插值的主要原因。\n   - **前置知识**：2D LiDAR 基本参数。\n\n3. **Scanning rate / scan frequency（扫描频率）**\n   - **定义**：每秒完成完整360°扫描的次数，本文为10Hz。\n   - **直觉**：时间分辨率；10Hz意味着每0.1秒获得一帧腿部截面。\n   - **在论文中的作用**：低扫描率导致相邻帧间位移大、遮挡期间数据缺失，促使作者使用样条插值。\n   - **前置知识**：频率、采样定理。\n\n4. **Angular resolution（角分辨率）**\n   - **定义**：相邻激光测量点之间的角度间隔，本文为0.3°。\n   - **直觉**：角度越细，同一物体上落点越多，轮廓越清晰。\n   - **在论文中的作用**：决定腿部至少需要3个扫描点的最大距离，进而决定跟踪范围。\n   - **前置知识**：角度单位、几何。\n\n5. **Polar coordinate measurement（极坐标测量）**\n   - **定义**：每个激光点用(d, θ)表示，d为距离，θ为测量方向角。\n   - **直觉**：激光雷达原始输出是“距离+角度”，类似雷达回波。\n   - **在论文中的作用**：原始数据形式，经坐标转换公式转为笛卡尔坐标供后续处理。\n   - **前置知识**：极坐标。\n\n6. **Cartesian coordinate（笛卡尔坐标）**\n   - **定义**：将极坐标点转换为(x,y)平面坐标，本文以0°方向为y轴。\n   - **直觉**：把“距离+角度”变成“左右+前后”，便于几何计算。\n   - **在论文中的作用**：所有聚类、圆心拟合、轨迹计算的基础。\n   - **前置知识**：三角函数、坐标系变换。\n\n7. **Scan / scan data（扫描帧/扫描数据）**\n   - **定义**：一次完整360°扫描得到的所有测量点集合。\n   - **直觉**：一帧“截面照片”，包含环境与腿部点。\n   - **在论文中的作用**：算法按帧处理，先检测行走区域，再聚类和估计腿中心。\n   - **前置知识**：2D LiDAR 工作原理。\n\n8. **Walking zone polygon（行走区域多边形）**\n   - **定义**：人工手动定义的多边形，用于圈定腿部扫描数据所在区域并排除环境点。\n   - **直觉**：相当于给算法画一个“感兴趣区域”的围栏。\n   - **在论文中的作用**：预处理第一步，减少环境杂点干扰。\n   - **前置知识**：多边形、区域裁剪。\n\n9. **Segment（数据段）**\n   - **定义**：一帧扫描中位于行走区域多边形内或边上的全部测量点。\n   - **直觉**：过滤后的“候选腿部点集”。\n   - **在论文中的作用**：作为聚类的输入。\n   - **前置知识**：扫描数据、区域检测。\n\n10. **Clustering（聚类）**\n    - **定义**：将一帧中的测量点按距离/角度跳变分成若干簇，每簇可能对应一条腿或助行器腿。\n    - **直觉**：把密集点“抱团”，点与点之间若间隔过大则切开。\n    - **在论文中的作用**：腿部检测的核心步骤，条件1和条件2决定簇的边界。\n    - **前置知识**：阈值、距离度量。\n\n11. **Cluster（簇）**\n    - **定义**：满足点数阈值和相邻点变化阈值的连续测量点集合。\n    - **直觉**：一个“点团”，代表一个物体截面的一部分。\n    - **在论文中的作用**：后续圆心拟合、左右腿分类、助行器腿去除的基本单元。\n    - **前置知识**：聚类概念。\n\n12. **Circle fitting / least mean square circle fitting（圆拟合/最小均方圆拟合）**\n    - **定义**：将腿部截面点拟合为固定半径的圆，估计圆心，优化目标为式(4)。\n    - **直觉**：腿的截面近似为圆，拟合圆心即腿的中心位置。\n    - **在论文中的作用**：将离散点转化为连续可跟踪的腿中心点。\n    - **前置知识**：最小二乘、优化。\n\n13. **Center point（中心点）**\n    - **定义**：每个簇拟合圆的圆心，代表腿在某一帧的位置。\n    - **直觉**：用“腿轴心”代替整团点，简化跟踪。\n    - **在论文中的作用**：左右腿分离、步长估计、轨迹生成都基于中心点。\n    - **前置知识**：圆拟合。\n\n14. **Middle point（中点）**\n    - **定义**：一帧中两个腿中心点的中点。\n    - **直觉**：两腿之间的“中间线”上的点，反映行走路径。\n    - **在论文中的作用**：用于估计中心线和行走方向。\n    - **前置知识**：两点平均。\n\n15. **Center line（中心线）**\n    - **定义**：由各帧中点组成的线，经八阶样条平滑插值后形成连续路径。\n    - **直觉**：行走路径的“脊线”，把左右腿分在两侧。\n    - **在论文中的作用**：为左右腿分离提供参考方向。\n    - **前置知识**：中点、样条。\n\n16. **Eighth-order algebraic spline（八阶代数样条）**\n    - **定义**：用八阶多项式分段表示轨迹，并施加直到三阶导数的连续性约束，用于平滑和插值。\n    - **直觉**：一种高阶“柔顺曲线”，能穿过缺失点并保持平滑。\n    - **在论文中的作用**：用于补全中点线、左右腿轨迹，解决遮挡导致的数据缺失。\n    - **前置知识**：多项式插值、样条、导数连续性。\n\n17. **Occlusion（遮挡）**\n    - **定义**：行走中一条腿被另一条腿或助行器腿挡住，导致该腿扫描点缺失。\n    - **直觉**：传感器“看不见”被挡住的腿，数据出现空洞。\n    - **在论文中的作用**：本文要解决的核心问题之一，样条插值用于恢复遮挡期间的轨迹。\n    - **前置知识**：激光扫描视线、几何遮挡。\n\n18. **Walking direction（行走方向）**\n    - **定义**：由相邻中点差分得到的单位方向向量。\n    - **直觉**：局部路径的“箭头”，指示人往哪走。\n    - **在论文中的作用**：用于计算法向量并判断左右腿。\n    - **前置知识**：向量差分、单位向量。\n\n19. **Normal vector（法向量）**\n    - **定义**：从腿中心到最近行走方向的垂线方向。\n    - **直觉**：垂直于行走方向的“左右指示线”。\n    - **在论文中的作用**：通过法向量与行走方向夹角符号区分左右腿。\n    - **前置知识**：向量投影、夹角。\n\n20. **Left/right leg separation（左右腿分离）**\n    - **定义**：利用距离最近更新准则和法向量夹角符号准则，将中心点分为左腿或右腿。\n    - **直觉**：给每个腿中心“贴标签”，保证轨迹连续。\n    - **在论文中的作用**：步长和距离估计的前提。\n    - **前置知识**：阈值、几何判断。\n\n21. **Zero velocity detection（零速度检测）**\n    - **定义**：通过速度阈值和滑动窗口判断腿是否处于支撑相（速度接近0）。\n    - **直觉**：脚着地瞬间速度最小，像“暂停”时刻。\n    - **在论文中的作用**：检测足底触地点，用于计算步长。\n    - **前置知识**：速度、滑动窗口、阈值。\n\n22. **Ground contact（足底触地）**\n    - **定义**：零速度区间内速度最小值对应的时刻/位置。\n    - **直觉**：脚“钉”在地上的瞬间。\n    - **在论文中的作用**：相邻两次同侧触地点距离即为步长。\n    - **前置知识**：零速度检测。\n\n23. **Step length（步长）**\n    - **定义**：同一只脚两次连续触地之间的轨迹距离。\n    - **直觉**：一步跨出的长度。\n    - **在论文中的作用**：本文主要评估指标之一，水平放置时RMSE小于2.0cm。\n    - **前置知识**：轨迹、触地点。\n\n24. **Walker legs data removing（助行器腿数据去除）**\n    - **定义**：通过聚类合并、中心点方向比较和距离阈值将助行器腿与人体腿分类并删除助行器腿数据。\n    - **直觉**：先“认出”哪些点是助行器的腿，再扔掉，剩下的人腿照常处理。\n    - **在论文中的作用**：将助行器使用者步态跟踪转化为正常人步态跟踪。\n    - **前置知识**：聚类、方向向量、阈值。\n\n25. **Cluster merging（簇合并）**\n    - **定义**：当人腿被助行器腿遮挡而分成多个簇时，按5个条件将属于同一人腿的簇合并。\n    - **直觉**：把被“隔开”的同一块拼图重新拼起来。\n    - **在论文中的作用**：防止人腿数据丢失，提高助行器场景鲁棒性。\n    - **前置知识**：聚类、几何条件。\n\n26. **RMSE（均方根误差）**\n    - **定义**：估计值与Optitrack真值之差的均方根，用于评估步长和距离精度。\n    - **直觉**：综合误差大小的“平均能量”指标。\n    - **在论文中的作用**：论文报告精度的核心指标，如水平放置时步长RMSE小于2.0cm。\n    - **前置知识**：统计误差。\n\n27. **Optitrack（光学动捕系统）**\n    - **定义**：基于红外标记的商用光学运动捕捉系统，本文用作地面真值。\n    - **直觉**：“高精度裁判”，提供腿部位移参考。\n    - **在论文中的作用**：验证LiDAR系统估计的步长和距离。\n    - **前置知识**：运动捕捉、坐标对齐。\n\n28. **Walking range（行走范围）**\n    - **定义**：系统能可靠跟踪腿部的最大距离，由角分辨率和腿半径决定，理想上限7.6m，实际水平放置达10m。\n    - **直觉**：传感器“看得清腿”的最远距离。\n    - **在论文中的作用**：对比平行/水平放置的性能，水平放置范围翻倍。\n    - **前置知识**：几何、角分辨率。\n\n29. **U-shape path（U形路径）**\n    - **定义**：包含直行和转弯的非线性行走路径，用于验证算法在转向时的跟踪能力。\n    - **直觉**：不是只走直线，而是“拐弯”，考验遮挡和方向估计。\n    - **在论文中的作用**：实验设计中的路径类型，验证非线性行走支持。\n    - **前置知识**：路径规划、实验设计。\n\n30. **Spline-based interpolation（基于样条的插值）**\n    - **定义**：用八阶样条在缺失数据段之间生成平滑连续轨迹。\n    - **直觉**：在“断点”之间画一条光滑曲线。\n    - **在论文中的作用**：解决遮挡和低扫描率造成的数据缺失。\n    - **前置知识**：样条、插值。\n\n### 概念依赖图\n\n```text\n2D LiDAR (RPLIDAR A3M1)\n   ├─ 扫描频率 / 角分辨率\n   ├─ 极坐标测量 → 笛卡尔坐标\n   └─ 扫描帧/扫描数据\n        └─ 行走区域多边形 → 数据段\n             └─ 聚类 → 簇\n                  ├─ 圆拟合 → 中心点\n                  │    ├─ 中点 → 中心线 → 行走方向\n                  │    │    └─ 法向量 → 左右腿分离\n                  │    └─ 左右腿轨迹 → 速度 → 零速度检测 → 足底触地 → 步长/距离\n                  └─ 助行器腿数据去除\n                       ├─ 簇合并\n                       └─ 中心点方向/距离阈值 → 删除助行器腿 → 正常人步态跟踪\n\n遮挡 → 八阶代数样条插值 → 中心线/轨迹补全\n\n实验验证：Optitrack地面真值 → RMSE → 行走范围\n```\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### 1. 关键事实核查\n\n- **声明：系统使用 10 Hz、360° 的 2D LiDAR，离地 0.3 m 安装。**\n  - 来源 1：摘要（Abstract）第一句“using a low scanning rate (10Hz) 360 degree 2D LiDAR ... placed at a height of 0.3m above the ground”。\n  - 来源 2：Section II-A 明确说明使用 RPLIDAR A3M1，扫描频率 10 Hz，角分辨率 0.3°，传感器置于胫骨高度（0.3 m）。\n\n- **声明：水平放置 LiDAR 时，步长 RMSE 小于 2.0 cm，行走距离 RMSE 小于 1.4 cm。**\n  - 来源 1：摘要“The RMSE is less than 2.0cm for walking step length estimation and is less than 1.4cm for walking distance estimation”。\n  - 来源 2：Table II 中 Horizontal 行：步长 RMSE 最大 0.020 m（2.0 cm），总距离 RMSE 最大 0.014 m（1.4 cm）。\n\n- **声明：水平放置时跟踪范围可达 10 m，平行放置时约为 4–5 m。**\n  - 来源 1：Section III-C 实验描述（平行 LiDAR 最大距离 4 m、5 m、6 m；水平 LiDAR 为 9 m、10 m、11 m）及 Fig. 18/Fig. 19 轨迹图。\n  - 来源 2：Conclusion“the walking range of our system is up to 10m if the sensor is orthogonal to walking direction”。\n\n- **声明：采用八阶代数样条进行平滑与插值，以处理双腿遮挡。**\n  - 来源 1：Section II-B.3 中心线估计部分“an eighth-order algebraic splines algorithm is applied to smooth and interpolate the middle points data”。\n  - 来源 2：Section II-B.5 速度与步长估计部分再次使用八阶样条处理腿轨迹；方法引用文献 [^31]（D. Simon, 2004）。\n\n- **声明：针对助行器使用者，提出去除助行器腿数据的算法。**\n  - 来源 1：Section II-B.6“Walker Legs Data Removing”整节描述聚类、合并与分类规则（公式 (24)–(31)）。\n  - 来源 2：Fig. 10 给出 scan 71 的合并前后示例，Fig. 11 显示去除助行器腿数据后的结果。\n\n- **声明：实验使用 4 名健康受试者，以 Optitrack 光学系统为真值。**\n  - 来源 1：Section III-B“Four healthy participants (3 men and 1 woman) are recruited ... The position provided by an Optitrack camera system is used as the ground truth.”\n  - 来源 2：Section III-B 公式 (32)–(33) 定义与 Optitrack 的步长误差和总距离误差。\n\n### 2. 冲突或不确定性问题\n\n- **摘要与 Table II 的数值边界不完全一致**：摘要称“less than 2.0cm”和“less than 1.4cm”，但 Table II 中水平放置的步长 RMSE 最大值恰为 0.020 m（2.0 cm），总距离 RMSE 最大值恰为 0.014 m（1.4 cm）；若按严格“小于”理解，存在边界冲突。\n- **“水平放置优于平行放置”并非在所有条件下成立**：Table II 中慢速步长 RMSE，平行放置左腿 0.012 m、右腿 0.011 m，均优于水平放置的 0.014 m 和 0.015 m。摘要和结论中的总体表述可能掩盖了速度/腿别上的例外。\n- **跟踪范围表述存在细微差异**：摘要和结论说“up to 10m”，但 Section III-C 明确区分正常步态 10 m、助行器步态 9 m；平行放置时正常步态约 5 m、助行器步态约 4 m。\n- **术语“step length”可能实为“stride length”**：公式 (20)–(21) 将步长定义为同一只脚两次连续触地之间的距离；在步态分析惯例中，这通常称为跨步长（stride length），而步长（step length）指左右脚交替触地之间的距离。论文未对此术语差异作说明。\n- **参数与实现细节不完整**：Table I 给出 $d_{min}$、$\\delta d$、$B_v$、$R_{walker}$、$\\Delta d$，但未给出 $N_c$ 的显式值（正文仅说 $N_c=3$）、$N_1$、$N_2$、$M_s$、$N_w$ 等窗口/阈值参数的具体取值，影响复现。\n- **实验规模有限**：仅 4 名受试者，且未报告统计显著性检验；助行器条件下每人仅走 5 次，样本量较小。\n- **理想最大跟踪范围计算依赖腿半径假设**：Section III-C 以 $R_{leg}=0.04$ m 和 $\\alpha=0.3^\\circ$ 推出 $d_{max}=7.6$ m，但实际水平放置达到 10 m，说明理想模型与实际系统之间存在不一致，文中未充分解释。\n\n### 3. 参考文献列表（论文原文 [^1] [^2] [^3] [^4] [^5] [^6] [^7] [^8] [^9] [^10] [^11] [^12] [^13] [^14] [^15] [^16] [^17] [^18] [^19] [^20] [^21] [^22] [^23] [^24] [^25] [^26] [^27] [^28] [^29] [^30] [^31]）\n\n1. H. Zhou and H. Hu, “Human motion tracking for rehabilitation a survey,” Biomed. Signal Process. Control, vol. 3, no. 1, pp. 1–18, 2008.\n2. W. Tao, T. Liu, R. Zheng, and H. Feng, “Gait analysis using wearable sensors,” Sensors, vol. 12, no. 2, pp. 2255–2283, Feb. 2012. <https://www.mdpi.com/1424-8220/12/2/2255>\n3. A. Muro-de-la-Herran, B. Garcia-Zapirain, and A. Mendez-Zorrilla, “Gait analysis methods: An overview of wearable and non-wearable systems, highlighting clinical applications,” Sensors, vol. 14, no. 2, pp. 3362–3394, Feb. 2014.\n4. H. D. Lee, J. I. Moon, and T. H. Kang, “Design of a series elastic tendon actuator based on gait analysis for a walking assistance exosuit,” Int. J. Control, Autom. Syst., vol. 17, no. 11, pp. 2940–2947, Aug. 2019.\n5. J. A. Kirkup, D. D. Rowlands, and D. V. Thiel, “Team player tracking using sensors and signal strength for indoor basketball,” IEEE Sensors J., vol. 16, no. 11, pp. 4622–4630, Jun. 2016.\n6. Q. Tian, Z. Salcic, K. I.-K. Wang, and Y. Pan, “A multi-mode dead reckoning system for pedestrian tracking using smartphones,” IEEE Sensors J., vol. 16, no. 7, pp. 2079–2093, Apr. 2016.\n7. P. Merriaux, Y. Dupuis, R. Boutteau, P. Vasseur, and X. Savatier, “A study of vicon system positioning performance,” Sensors, vol. 17, no. 7, p. 1591, Jul. 2017.\n8. A. L. McDonough, M. Batavia, F. C. Chen, S. Kwon, and J. Ziai, “The validity and reliability of the GAITRite system's measurements: A preliminary evaluation,” Arch. Phys. Med. Rehabil., vol. 82, no. 3, pp. 419–425, Mar. 2001. <http://www.sciencedirect.com/science/article/pii/S0003999301237174>\n9. H. Gao, B. Cheng, J. Wang, K. Li, J. Zhao, and D. Li, “Object classification using CNN-based fusion of vision and LIDAR in autonomous vehicle environment,” IEEE Trans Ind. Informat., vol. 14, no. 9, pp. 4224–4231, Sep. 2018.\n10. Z. Rozsa and T. Sziranyi, “Obstacle prediction for automated guided vehicles based on point clouds measured by a tilted LIDAR sensor,” IEEE Trans. Intell. Transp. Syst., vol. 19, no. 8, pp. 2708–2720, Aug. 2018.\n11. K. Li, X. Wang, Y. Xu, and J. Wang, “Density enhancement-based long-range pedestrian detection using 3-D range data,” IEEE Trans. Intell. Transp. Syst., vol. 17, no. 5, pp. 1368–1380, May 2016.\n12. L. Caltagirone, S. Scheidegger, L. Svensson, and M. Wahde, “Fast LIDAR-based road detection using fully convolutional neural networks,” in Proc. IEEE Intell. Veh. Symp. (IV), Jun. 2017, pp. 1019–1024.\n13. B. Kim, B. Choi, S. Park, H. Kim, and E. Kim, “Pedestrian/Vehicle detection using a 2.5-D multi-layer laser scanner,” IEEE Sensors J., vol. 16, no. 2, pp. 400–408, Jan. 2016.\n14. Y. Xu, Y. S. Shmaliy, Y. Li, X. Chen, and H. Guo, “Indoor INS/LiDAR-based robot localization with improved robustness using cascaded FIR filter,” IEEE Access, vol. 7, pp. 34189–34197, 2019.\n15. T. Shan and B. Englot, “LeGO-LOAM: Lightweight and ground-optimized lidar odometry and mapping on variable terrain,” in Proc. IEEE/RSJ Int. Conf. Intell. Robots Syst. (IROS), Oct. 2018, pp. 4758–4765.\n16. L. Sun, Z. Yan, A. Zaganidis, C. Zhao, and T. Duckett, “Recurrent-OctoMap: Learning state-based map refinement for long-term semantic mapping with 3-D-Lidar data,” IEEE Robot. Autom. Lett., vol. 3, no. 4, pp. 3749–3756, Oct. 2018.\n17. J. Zhang and S. Singh, “Visual-lidar odometry and mapping: low-drift, robust, and fast,” in Proc. IEEE Int. Conf. Robot. Autom. (ICRA), May 2015, pp. 2174–2181.\n18. N. Dalmedico et al., “Sliding window mapping for omnidirectional RGB-D sensors,” Sensors, vol. 19, no. 23, p. 5121, Nov. 2019. <https://www.mdpi.com/1424-8220/19/23/5121>\n19. C. A. Cifuentes, A. Frizera, R. Carelli, and T. Bastos, “Human–robot interaction based on wearable IMU sensor and laser range finder,” Robot. Auto. Syst., vol. 62, no. 10, pp. 1425–1439, Oct. 2014. <http://www.sciencedirect.com/science/article/pii/S0921889014001122>\n20. C. Piezzo, B. Leme, M. Hirokawa, and K. Suzuki, “Gait measurement by a mobile humanoid robot as a walking trainer,” in Proc. 26th IEEE Int. Symp. Robot Human Interact. Commun. (RO-MAN), Aug. 2017, pp. 1084–1089.\n21. C. Bayón et al., “Development and evaluation of a novel robotic platform for gait rehabilitation in patients with cerebral palsy: CPWalker,” Robot. Auto. Syst., vol. 91, pp. 101–114, May 2017. <http://www.sciencedirect.com/science/article/pii/S0921889016301816>\n22. C. A. Cifuentes, C. Rodriguez, A. Frizera-Neto, T. F. Bastos-Filho, and R. Carelli, “Multimodal Human-robot interaction for walker-assisted gait,” IEEE Syst. J., vol. 10, no. 3, pp. 933–943, Sep. 2016.\n23. D. Li, L. Li, Y. Li, F. Yang, and X. Zuo, “A multi-type features method for leg detection in 2-D laser range data,” IEEE Sensors J., vol. 18, no. 4, pp. 1675–1684, Feb. 2018.\n24. T. Palleja, M. Teixidó, M. Tresanchez, and J. Palacín, “Measuring gait using a ground laser range sensor,” Sensors, vol. 9, no. 11, pp. 9133–9146, Nov. 2009. <https://www.mdpi.com/1424-8220/9/11/9133>\n25. S. Fudickar, C. Stolle, N. Volkening, and A. Hein, “Scanning laser rangefinders for the unobtrusive monitoring of gait parameters in unsupervised settings,” Sensors, vol. 18, no. 10, p. 3424, Oct. 2018. <https://www.mdpi.com/1424-8220/18/10/3424>\n26. A. Yorozu, T. Moriguchi, and M. Takahashi, “Improved leg tracking considering gait phase and spline-based interpolation during turning motion in walk tests,” Sensors, vol. 15, no. 9, pp. 22451–22472, Sep. 2015. <https://www.mdpi.com/1424-8220/15/9/22451>\n27. M. Teixidó, T. Palleja, M. Tresanchez, M. Nogués, and J. Palacín, “Measuring oscillating walking paths with a LIDAR,” Sensors, vol. 11, no. 5, pp. 5071–5086, May 2011. <https://www.mdpi.com/1424-8220/11/5/5071>\n28. C. Benedek, B. Galai, B. Nagy, and Z. Janko, “Lidar-based gait analysis and activity recognition in a 4D surveillance system,” IEEE Trans. Circuits Syst. Video Technol., vol. 28, no. 1, pp. 101–113, Jan. 2018.\n29. Z. Yan, T. Duckett, and N. Bellotto, “Online learning for human classification in 3D LiDAR-based tracking,” in Proc. IEEE/RSJ Int. Conf. Intell. Robots Syst. (IROS), Sep. 2017, pp. 864–871.\n30. A. Shumway-Cook, S. Brauer, and M. Woollacott, “Predicting the probability for falls in community-dwelling older adults using the timed up & go test,” Phys. Therapy, vol. 80, no. 9, pp. 896–903, Sep. 2000.\n31. D. Simon, “Data smoothing and interpolation using eighth-order algebraic splines,” IEEE Trans. Signal Process., vol. 52, no. 4, pp. 1136–1144, Apr. 2004.\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### 1. 图表完整索引\n\n| 编号 | 标题/说明 | 类型 | 位置 | 支撑的结论/作用 | 重要度 |\n|---|---|---|---|---|---|\n| Fig. 1 | Workflow diagram of proposed human gait tracking method | 流程图 | Section II-B | 展示正常人与助行器使用者两条处理路径；助行器腿数据去除后与正常人跟踪共用同一流程 | 5/5 |\n| Fig. 2 | Centers of legs estimation | 数据/散点图 | Section II-B.2 | 展示圆拟合中心点估计示例（scan 20 与全部扫描），支撑聚类与中心点估计方法 | 4/5 |\n| Fig. 3 | Center line estimation（含 (a)(b)） | 数据/曲线图 | Section II-B.3 | 展示中点提取与八阶样条平滑插值效果，支撑遮挡时中心线估计 | 4/5 |\n| Fig. 4 | Center line estimation（c、wd、m、n 几何关系） | 示意图 | Section II-B.4 | 定义左右腿分离准则 2 的几何量，支撑左右腿分类 | 4/5 |\n| Fig. 5 | Left and right legs classification | 数据/散点图 | Section II-B.4 | 展示左右腿分类结果（品红/黑圆），验证分类准则 | 3/5 |\n| Fig. 6 | Spline-based legs trajectories estimation and ground contact of feet | 数据/曲线图 | Section II-B.5 | 展示样条轨迹与足地接触时刻（黑圈），支撑步长估计 | 4/5 |\n| Fig. 7 | Velocities of legs estimation and ground contact of feet detection | 数据/曲线图 | Section II-B.5 | 展示速度估计与零速度区间检测（红菱形），支撑步长估计 | 4/5 |\n| Fig. 8 | Center points of consecutive scans data with Nw=5 | 数据/散点图 | Section II-B.6 | 展示滑动窗口中心点平滑效果，用于助行器腿去除 | 3/5 |\n| Fig. 9 | Human leg is occluded by walker leg during walking | 示意图 | Section II-B.6 | 说明合并算法条件 1-5 的几何背景，支撑助行器腿去除 | 4/5 |\n| Fig. 10 | An example of cluster merging in scan 71（含 (a)(b)） | 数据/散点图 | Section II-B.6 | 合并前后对比，验证合并算法有效性 | 5/5 |\n| Fig. 11 | The human legs data after removing the walker legs data | 数据/散点图 | Section II-B.6 | 展示助行器腿去除后数据与正常人跟踪一致 | 4/5 |\n| Fig. 12 | Two LiDARs placed parallel and horizontal to walking direction | 实验设置照片/示意图 | Section III-B | 说明对比实验的传感器布局 | 4/5 |\n| Fig. 13 | The LiDAR and walker picture | 照片 | Section III-B | 展示实验设备与助行器外观 | 2/5 |\n| Fig. 14 | The errors (Se) of estimated step length with two positions of LiDAR, different speed levels and with a walker | 误差图 | Section III-B | 展示步长误差分布与离群点，支撑精度结论 | 4/5 |\n| Fig. 15 | The errors (De) of estimated total walking distance with two positions of LiDAR, different speed levels and with a walker | 误差图 | Section III-B | 展示总行走距离误差分布，支撑精度结论 | 4/5 |\n| Fig. 16 | Walking range determination | 几何示意图 | Section III-C | 推导最大跟踪距离条件 d < R_leg / sin(alpha) | 4/5 |\n| Fig. 17 | Schematic U-shape walking with two positions of LiDAR | 示意图 | Section III-C | 说明非线性路径与最大范围实验设计 | 4/5 |\n| Fig. 18 | Walking range from parallel LiDAR | 轨迹图 | Section III-C | 展示平行放置时正常/助行器最大范围约 5m/4m | 5/5 |\n| Fig. 19 | Walking range from horizontal LiDAR | 轨迹图 | Section III-C | 展示正交放置时正常/助行器最大范围约 10m/9m | 5/5 |\n| Table I | Parameters used in this paper | 参数表 | Section III-A | 列出算法阈值（d_min、delta d、B_v、R_walker、Delta d），支撑复现 | 5/5 |\n| Table II | The RMSE (m) of the estimated walking distance and estimated walking step length for left and right legs from parallel and horizontal placements of LiDAR | 结果表 | Section III-B | 定量支撑步长 RMSE<2.0cm、距离 RMSE<1.4cm 等核心精度结论 | 5/5 |\n\n### 2. 优先精读图表（Top-priority deep reads）\n\n1. **Fig. 1 + Section II-B 工作流**：先读整体流程图，明确正常人与助行器使用者的处理差异只在“助行器腿数据去除”，后续流程完全一致。这是理解全文方法骨架的关键。\n2. **Table II + Fig. 14/15**：这是论文最核心的定量证据。Table II 给出各条件下步长和总距离的 RMSE；Fig. 14/15 展示误差分布和离群点。需要对照正文中“水平放置优于平行放置”“误差随速度增加”等结论逐项核对。\n3. **Fig. 10 + Fig. 9 + Section II-B.6 合并条件**：助行器腿去除是本文主要贡献之一。Fig. 9 说明遮挡导致人腿被分成两个簇，Fig. 10 展示 scan 71 中簇 3 和 5 合并前后的效果。需结合五个合并条件理解算法为何能保留人腿数据而去除助行器腿。\n4. **Fig. 18/19 + Fig. 17**：这两组轨迹图直接支撑“跟踪范围可达 10m（水平放置）”和“可处理非线性 U 形路径”的结论。需注意图中第三行的大偏差对应超出有效范围的情况。\n5. **Fig. 6/7 + 公式 (18)-(21)**：步长估计依赖足地接触检测。Fig. 6 显示样条轨迹与接触点，Fig. 7 显示速度曲线与零速度区间。需结合阈值 B_v 和窗口 N1/N2 理解步长计算流程。\n\n### 3. 图表关系 / 实验设置图\n\n```text\nFig.1 工作流\n  ├─ 正常人路径: 行走区域检测 -> 聚类/中心点(Fig.2) -> 中心线(Fig.3) -> 左右腿分离(Fig.4/5) -> 速度/步长(Fig.6/7)\n  └─ 助行器路径: 行走区域检测 -> 聚类/合并(Fig.9/10) -> 去除助行器腿(Fig.11) -> 同正常人路径\n\n实验设置关系：\n  Fig.12/13: 双 LiDAR 位置对比（平行 vs 水平）\n  Fig.14/15 + Table II: 精度评估（步长误差、总距离误差）\n  Fig.16/17: 最大跟踪范围的理论推导与 U 形路径实验设计\n  Fig.18/19: 平行/水平放置下的实际轨迹与范围\n```\n\n### 4. 图表到结论的映射\n\n| 结论 | 支撑图表/位置 |\n|---|---|\n| 方法可同时跟踪正常人和助行器使用者 | Fig.1 工作流；Fig.11 去除助行器腿后的数据；Fig.18/19 中 walker 列轨迹 |\n| 水平放置 LiDAR 优于平行放置 | Table II（Horizontal 行 RMSE 整体小于 Parallel 行）；Fig.14/15 误差分布 |\n| 步长估计 RMSE 小于 2.0cm，总距离 RMSE 小于 1.4cm（水平放置） | Table II：Horizontal 步长最大 0.020m，总距离最大 0.014m |\n| 平行放置时误差随行走速度增加而增大 | Table II Parallel 行：Slow 到 Fast 的 RMSE 递增；Fig.14/15 对应子图 |\n| 助行器使用时的精度与正常速度步行相似 | Table II Walker 列与 Normal 列数值接近；Fig.14/15 中 walker 子图 |\n| 跟踪范围可达 10m（水平放置），平行放置约 5m | Fig.18/19 轨迹图；Fig.16 理论推导 d_max=7.6m；Section III-C 文字说明 |\n| 可处理非线性行走路径 | Fig.17 U 形路径示意图；Fig.18/19 中 U 形轨迹 |\n| 八阶样条插值可解决腿间遮挡导致的数据缺失 | Fig.3 中心线插值；Fig.6 腿轨迹插值；Section II-B.3 和 II-B.5 |\n| 助行器腿去除算法有效 | Fig.9 遮挡示意；Fig.10 合并前后对比；Fig.11 去除后结果 |"
}