{
  "paper_id": "40cbb6e43d4b0e9cb98320dcd58eda1c",
  "paper_title": "Moving objects extraction for building environmental maps describing human walking activity using a 3D LiDAR",
  "paper_authors": [
    "Takumi Nishio",
    "Mihoko Niitsuma"
  ],
  "publication_date": "2022-10-01",
  "publication_venue": "Advanced Robotics",
  "abstract": "This study proposes an indoor movable static object extraction approach for building environmental maps that describe indoor human activities. In particular, it is essential to distinguish people from non-human movable objects. To address this issue, we classify static objects into three categories based on their features. Methods for extracting movable static objects using each feature are presented. We conducted experiments and confirmed that the movable static objects were successfully detected and redefined as backgrounds, and only people were determined as dynamic objects.\n",
  "keywords": [
    "Service robot",
    "environmental map",
    "indoor human activity observation",
    "3D LiDAR"
  ],
  "paper_institutions": [
    "Kawasaki Heavy Industries, Ltd., Hyogo, Japan",
    "Department of Precision Mechanics, Chuo University, Tokyo, Japan"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "deepseek-v4-flash",
  "prompt_template": "simple",
  "extracted_at": "2026-08-18T10:30:16.155859Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\n本文针对室内环境地图构建中如何区分人与非人可移动静态物体的问题，提出一种基于3D LiDAR的可移动静态物体提取方法。相关研究包括基于骨架/模板匹配的人体提取、基于背景差分和机器学习点云分类，但难以处理静止人员或可移动物体。本文将室内静态物体分为三类，分别利用点云簇内角度标准差、表面直线性形状评分、最高点位置分布和体素数量变化等特征，通过初始背景提取和局部背景更新，将椅子、白板、桌子、三脚架、室内植物等可移动静态物体重新定义为背景，仅保留人为动态物体。实验在会议室和包含六类可移动静态物体及坐/站人员的场景中进行，使用VLP-16 3D LiDAR（1.8 m高，8 m内），采集500 s数据并改变物体方位/距离/遮挡条件进行4次试验；评估指标包括误检次数和形状判定时间。结果表明所有可移动静态物体均被正确重定义为背景，人员均被识别为动态物体，误检为0；椅子A通过坐姿判定仅需17.8 s，白板/桌子/三脚架通过形状评分约53–59 s，室内植物和椅子B通过最高点分布/体素变化约178–191 s。核心机制之一是利用点云簇内各点相对中心点的角度标准差σ_θ定义背景权重，当0<σ_θ≤0.10或σ_θ>0.50时权重为1.0，否则为0.0，从而区分静止人员与静态物体。未来方向包括缩短形状判定时间、优化设计参数并扩展至更多环境；该方法已用于World Robot Summit未来便利店等真实场景，需满足3D LiDAR 100 ms周期内的实时处理约束。\n\n### 关键要点\n\n- 本文提出一种基于3D LiDAR的室内可移动静态物体提取方法，目标是在构建描述人类步行活动的环境地图时，仅将人识别为动态物体，而将椅子、白板等可移动静态物体重新定义为背景。\n- 初始背景提取利用点云簇内各点相对中心点的角度标准差σ_θ，并设置α1=0.10、β1=0.50作为背景权重阈值，以区分静止人员与墙壁等静态物体。\n- 初始背景提取实验在会议室进行，使用前120秒数据定义背景，并在120.1秒进行差分；结果显示7名人员均被提取为动态物体，墙壁和部分椅子被正确归为背景，但存在一个因遮挡导致的误检（ID No.5）。\n- 针对随人移动的椅子，提出基于坐姿检测的提取方法：利用动态物体高度h(t,i)与最大高度h_max(i)估算坐高h_sit(i)=0.55h_max(i)+(0.25h_max(i)-10)，当h(t,i)<h_sit(i)时判定为坐姿。\n- 当人从坐姿转为站姿并离开后，若周围动态物体k的高度满足h(t,k)+α<h(p,q)且持续时间超过β，则将其判定为可移动静态物体并局部更新背景；实验中α=100 mm、β=0.1、t_th=120 s。\n- 针对白板、桌子、三脚架等具有直线表面的物体，利用表面直线性μ计算形状评分ε=α2(90.0-μ)^2+β2，并根据ε_min和ε_max累加背景成本，以区分人与可移动静态物体。\n- 针对室内植物、无人椅子等形状和移动条件多样的物体，使用最高点位置分布和体素数量变化作为特征：若最高点位置连续t_th秒不变，或体素变化标准差σ_diff<5.0，则判定为可移动静态物体。\n- 实验使用VLP-16 3D LiDAR，传感器置于1.8 m高度，目标物体放置在8.0 m以内；共采集500秒点云数据，通过改变物体朝向、距离和遮挡条件进行4次试验。\n- 实验选取椅子A、椅子B、白板、桌子、相机三脚架和室内植物六类可移动静态物体，以及坐姿和站姿人员两类动态物体；桌子作为静态物体置于观测区域中间以产生遮挡。\n- 结果显示椅子A通过坐姿判定在17.8秒内被提取且无误检；白板、桌子、三脚架通过形状评分在53.4–58.6秒内被提取且无误检；室内植物和椅子B通过最高点分布/体素变化在177.9–191.0秒内被提取。\n- 所有试验中，坐姿和站姿人员均被正确识别为动态物体，误检数为0；可移动静态物体被提取后，其占据的单元被局部重新定义为背景，环境地图中仅保留人的活动信息。\n- 该方法需在3D LiDAR的100 ms传感器周期内完成处理，因此采用10 cm单元投影和局部背景更新降低计算成本；设计参数目前基于经验确定，未来需缩短形状判定时间并优化参数。",
  "available_templates": [
    "deep_read",
    "simple"
  ]
}