{ "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": "deep_read", "summary": "# Moving objects extraction for building environmental maps describing human walking activity using a 3D LiDAR\n\n\n**作者 / Authors:** Takumi Nishio, Mihoko Niitsuma\n\n\n**单位 / Institutions:** Kawasaki Heavy Industries, Ltd., Hyogo, Japan, Department of Precision Mechanics, Chuo University, Tokyo, Japan\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 2022-10-01\n\n\n\n**期刊/会议 / Publication Venue:** Advanced Robotics, 36:23, 1291-1304\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:** Moving objects extraction for building environmental maps describing human walking activity using a 3D LiDAR\n- **Authors:**\\ - Takumi Nishio（Kawasaki Heavy Industries, Ltd., Hyogo, Japan；Chuo University 精密机械系硕士毕业，研究方向为利用 LiDAR 观测人类步行活动与环境地图构建）\\ - Mihoko Niitsuma（Chuo University 精密机械系教授；研究方向为人机交互/协作、基于智能空间（iSpace）的辅助机器人）\n- **Publication venue / outlet:** Advanced Robotics（期刊），Vol. 36, No. 23, pp. 1291-1304，2022 年；DOI: 10.1080/01691864.2022.2126732；开放获取（Open Access）。\n\n## 2. Research positioning\n\n- **Research area:** 服务机器人、室内环境感知、3D LiDAR 点云处理、动态目标提取、环境地图构建。\n- **Concrete task:** 在室内环境中，利用 3D LiDAR 点云区分“人”与“可移动静态物体”（如椅子、白板、桌子、三脚架、室内植物等），并将可移动静态物体重新定义为背景，从而只把人作为动态目标，用于构建描述人类步行活动的环境地图。\n- **Target users or application scenario:** 面向未来便利店、办公室、商店等室内场景中的服务机器人系统；具体应用包括 World Robot Summit 2020 Future Convenience Store Challenge 中基于 iSpace 的顾客交互任务。\n\n## 3. Input material checklist\n\n- **PDF:** 是（本文档包含全文内容，但未提供原始 PDF 文件链接）。\n- **Appendix / supplement:** 有“View supplementary material”的指示，但未提供具体补充材料内容或链接。\n- **Code link:** 未提供。\n- **Dataset link:** 未提供。\n\n## 4. Missing materials and risks\n\n- **Missing items:**\\ - 原始 PDF 文件链接；\\ - 补充材料的具体内容与访问链接；\\ - 实验代码与数据集；\\ - 设计参数（如 α1、β1、α2、β2、γ 等）的详细调参过程与更多环境下的验证数据。\n- **Likely impact:** 无法复现实验细节；无法直接验证代码实现；补充材料缺失可能影响对传感器配置、点云标注流程和更多实验场景的理解；设计参数依赖经验值，缺少公开数据时难以评估其泛化性。\n\n## 5. Reading route (3-6 steps)\n\n- **Step 1:** 快速浏览标题、摘要、关键词、图表和结论，明确论文核心贡献：提出一种基于 3D LiDAR 的室内可移动静态物体提取方法，用于构建描述人类步行活动的环境地图。\n- **Step 2:** 阅读引言与相关工作（第 1 节），理解现有动态目标提取方法的局限（如背景差分无法处理静止的人、机器学习方法成本高），并定位本文的动机与目标。\n- **Step 3:** 精读第 2 节“初始背景提取”，理解基于点云簇内角度标准差和背景代价的初始背景生成方法，并关注实验设置与结果（第 2.2-2.3 节）。\n- **Step 4:** 精读第 3 节“可移动静态物体提取”，分别理解四种方法：ST（坐姿判定）、SS（形状分数）、PD（最高点位置分布）、VC（体素变化），并梳理各方法的适用对象与判定条件。\n- **Step 5:** 阅读第 4 节“评估实验”，分析表 1、表 2 和图 7-9，评估各方法的提取时间、误检率和最终效果。\n- **Step 6:** 回到第 5 节结论，总结方法局限与未来工作，并结合参考文献追溯相关系统（如 iSpace 未来便利店）与前期工作。\n\n**分类理由（paper_archetype）：** 本文的主要贡献是提出一套新的算法/处理流程，用于从 3D LiDAR 点云中提取可移动静态物体并更新背景地图；虽然涉及系统集成，但核心是方法（method），而非综述（survey）或完整系统（system）。\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[论文类型与类别]\n\n- 类型：方法类论文（method），提出一套基于 3D LiDAR 的室内可移动静态物体提取与局部背景更新算法流程。\n- 类别：服务机器人环境感知 / 3D 点云处理 / 动态目标提取 / 环境地图构建；属于“动态物体提取 + 背景建模”方向，不依赖监督学习。\n\n[背景与研究背景]\n\n- 研究动机：室内观测人类活动需要区分“人”和“可移动静态物体”（椅子、白板、桌子、三脚架、绿植等），并只将人作为动态目标（摘要、第1节）。\n- 现有方法局限：背景差分无法处理静止的人（第1节）；基于监督学习的点云分类精度高但计算成本高，难以在 100 ms 传感器周期内连续处理（第1节）；已有非学习方法（如 Lv et al. 的体素密度变化）不适用于室内静止人员场景（第1节）。\n- 本文定位：在前期环境地图构建系统 [^22] 基础上，提出初始背景提取和三类可移动静态物体提取方法，用于 iSpace 未来便利店等场景（第1节）。\n\n[直观正确性检查]\n\n- 关键假设1：3D LiDAR 通常安装在高于人头的位置，因此高于传感器的点云簇可视为静态物体（第2.1节，图2）。合理性：在常见室内观测配置下成立，但若传感器高度不够或有人站在高处则不成立。\n- 关键假设2：人的点云簇内角度标准差集中在 0.1–0.5，静态物体不在此范围（第2.1节，式(1)-(2)）。合理性：基于经验数据，直观上人体表面不规则、点云角度变化大，但该阈值可能受传感器噪声和距离影响。\n- 关键假设3：坐姿高度可由最大身高估算，基于日本人平均坐高比例（第3.1节，式(3)）。合理性：有工效学依据，但个体差异和遮挡可能造成误判。\n- 关键假设4：可移动静态物体表面更“直线”，人的形状线性度低（第3.3节，图6）。合理性：白板、桌面等确实具有平面特征，但椅子等复杂形状可能不满足。\n- 关键假设5：可移动静态物体没有主动运动，最高点位置分布和体素数变化小（第3.4节）。合理性：符合“可移动但非主动移动”的定义，但传感器噪声和遮挡可能造成波动。\n总体看，假设在论文设定的室内场景中基本合理，但依赖经验阈值，泛化性需更多环境验证。\n\n[核心贡献]\n\n1) 提出基于点云簇内角度标准差和背景代价的初始背景提取方法，可在 120 s 内生成初始背景并区分静止的人与静态物体（第2.1节，式(1)-(2)，图4）。\n2) 将室内可移动静态物体分为三类，并设计四种提取方法：ST（坐姿判定）、SS（形状分数）、PD（最高点位置分布）、VC（体素变化）（第3节，表1）。\n3) 提出局部背景更新机制，将检测到的可移动静态物体重新定义为背景，从而只保留人作为动态目标（第3.2-3.4节，图8-9）。\n4) 在包含 6 种可移动静态物体和 2 种人体状态的实验中验证了方法，所有目标物体均被重新定义为背景，且人未被误检为背景（第4节，表2）。\n\n[清晰度评估]\n\n- 结构：IMRaD 结构清晰，从问题、方法到实验逐层展开；第2节和第3节分别对应初始背景和可移动静态物体提取，逻辑清楚。\n- 公式：式(1)-(8)给出了主要计算过程，但式(1)中存在下标排版错误（如 P_{n,:x}、P_{center,:x}），式(5)的 α2 为负值却写成“接近 90° 时越不直”的权重，需结合上下文理解。\n- 图表：图1分类图、图2高度筛选示意、图4初始背景结果、图6线性度分布、图7-9实验环境与地图更新结果对理解方法有帮助；但图4的(a)(b)顺序和标注略混乱。\n- 可读性：总体可读，但部分设计参数（α1、β1、α2、β2、γ、t_th 等）仅说明“经验确定”，缺少敏感性分析；表2中“Desk Camera stand”合并单元格和空白项可能造成阅读困难。\n- 可复现性：未提供代码和数据集，补充材料仅有链接提示，复现需要自行实现。\n\n[继续或停止建议]\n\n- 建议：继续进入第二遍（module D）和第三遍（module E）精读。\n- 理由：本文属于方法类论文，核心算法细节和实验设计需要深入理解才能评估其适用性和局限性；第一遍已确认方法结构完整、实验初步有效，但存在经验参数和可复现性风险，值得进一步审查。\n\n[结构大纲图]\n\n```markmap\n# 论文概览\n## 1. 引言\n### 动态物体提取两阶段\n### 现有方法局限\n### 研究目标与贡献\n## 2. 初始背景提取\n### 基于角度标准差的背景代价\n### 初始背景提取实验\n### 结果与讨论\n## 3. 可移动静态物体提取\n### 3.1 坐姿判定 (ST)\n### 3.2 基于坐姿的物体提取\n### 3.3 基于形状分数 (SS)\n### 3.4 基于主动运动特征 (PD/VC)\n## 4. 评估实验\n### 实验设置\n### 结果与讨论\n## 5. 结论\n```\n\n\n## 模块 C1：论文试图解决什么问题？ / Module C1: What problem does the paper try to solve?\n\n## 模块 C1：论文试图解决什么问题？\n\n### 1. 一句话问题定义\n\n在室内环境中，利用 3D LiDAR 点云构建描述人类步行活动的环境地图时，需要从点云中区分“人（动态对象）”与“可移动静态物体”（如椅子、白板、桌子、三脚架、室内植物等），并将可移动静态物体重新定义为背景，从而只把人作为动态对象进行连续提取与活动信息获取。\n\n### 2. 痛点或现有方法缺陷\n\n- 背景差分法（background subtraction）虽然简单，但无法提取静止不动的人（例如坐着或站着停留的人），这些人会被误当作静态背景（第 1 节，参考文献 [^3]）。\n- 基于监督机器学习的 3D 点云分类方法（如将点云作为图像处理或直接分类）需要大量教师数据/标注，且处理成本很高，难以在连续时间序列中实时提取动态对象并获取活动信息（第 1 节，参考文献 [^4] [^5] [^6] [^7] [^8] [^9] [^10] [^11] [^12] [^13] [^14] [^15] [^16] [^17]）。\n- 非机器学习的点云特征方法（如基于体素密度变化）虽然成本较低，但不适合“人不动”的室内场景，且为多样化室内环境准备训练数据不现实（第 1 节，参考文献 [^18] [^19] [^20] [^21]）。\n- 室内存在大量会因人的干预而改变位置的可移动静态物体（椅子、带轮隔断、文件柜、白板等），现有方法没有检测其移动并将其与动态对象区分开的机制（第 1 节）。\n\n### 3. 形式化目标或优化目标（若存在）\n\n论文没有给出单一显式优化函数，但可将其目标形式化为：在 3D LiDAR 传感器周期 100 ms 的实时性约束下，通过初始背景提取和局部背景更新，将每个点云簇/对象分类为“人（动态对象）”或“可移动静态物体（背景）”，使得可移动静态物体被重新定义为背景，而人始终被保留为动态对象。\n\n具体实现中使用了多个带阈值的代价/评分函数：\n\n- 初始背景提取：基于体素内角度标准差 σ_θ 定义背景权重 ω_BG，并累加为背景代价 C_cluster(i)；当 C_cluster(i) > C_th（C_th=960）且经过 t_th=120 s 后，判定为静态背景（第 2.1 节）。\n- 可移动静态物体提取：分别基于坐姿判定（ST）、形状分数（SS）、最高点位置分布（PD）和体素变化（VC）定义背景代价 C_BG(t,i)，当 C_BG(t,i) > γ（γ=960）时判定为可移动静态物体并更新背景（第 3.2-3.4 节）。\n- 设计参数（α1, β1, α2, β2, α, β, γ, t_th 等）均通过经验设定，目标是在保证实时性的同时最小化误检（人误判为背景，或可移动静态物体误判为人）。\n\n### 4. 成功标准（指标或期望性质）\n\n- 实时性：动态对象提取与信息获取阶段应在 100 ms 内完成，即满足 3D LiDAR 的传感器周期（第 1 节）。\n- 初始背景提取准确性：在包含静止人的会议室中，能够只把墙、桌等静态物体提取为初始背景，不把坐着的人误判为背景；实验通过人工标注点云进行对比验证（第 2.2-2.3 节，图 3-4）。\n- 可移动静态物体提取准确性：对 Chair A、Chair B、白板、桌子、相机三脚架、室内植物六类目标，最终均能被重新定义为背景；同时站立和坐着的人在所有试验中都被识别为动态对象，误检次数为 0/4（第 4 节，表 2）。\n- 判定时间：记录每种方法的形状判定时间（shape determination time），例如 Chair A 为 17.8 s（ST），白板为 53.4 s（SS），室内植物为 177.9 s（VC, PD）等；时间越短越好，但论文也指出 PD/VC 所需时间较长，是未来改进点（第 4.2 节，表 2）。\n- 环境地图表现：局部背景更新后，可移动静态物体所在区域被重新定义为背景（图中显示为黑色），只有人作为动态对象保留在地图上（第 4.2 节，图 8-9）。\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## 1. 最强基线（Strongest baselines）与比较轴\n\n- **背景差分法（background subtraction）[^3]**：核心思想是用当前点云与初始/参考背景做差提取动态目标。局限：室内有人静坐或站立不动时，会被误判为静态背景，无法提取为动态对象；且无法处理被移动后的可移动静态物体。\n- **监督式机器学习点云分类方法**：一类将点云投影为图像再处理 [^4] [^5] [^6] [^7] [^8] [^9]，另一类直接对点云分类 [^10] [^11] [^12] [^13] [^14] [^15] [^16] [^17]。核心思想：利用标注数据训练分类器，在单帧点云上识别人/物体。局限：处理成本高，难以在连续时间序列中实时（<100 ms）完成动态目标提取；且为多样化室内环境准备训练数据不现实。\n- **非机器学习特征方法（如基于体素密度变化）[^18] [^19] [^20] [^21]**：核心思想：利用点云表面形状、体素内点密度等特征区分物体。局限：通常面向室外/路口等场景，无法处理“人不移动”的室内情况，也不能检测被移动后的可移动静态物体。\n\n**比较轴**：是否能在室内环境中区分“静止的人”与“可移动静态物体”，并满足 3D LiDAR 100 ms 周期的实时处理要求，同时无需为每个环境准备训练数据。\n\n## 2. 最接近的方法（Closest approaches）与关键差异\n\n- **Lv et al. [^20]**：将路口 LiDAR 点云体素化，基于体素密度变化提取动态物体。核心思想：用密度变化识别运动目标。局限：面向室外交通场景，不适用于室内有人静止的场景；未考虑可移动静态物体。\n- **Endres et al. [^21]**：使用潜在狄利克雷分配（LDA）无监督发现距离数据中的物体类别。核心思想：无监督聚类识别物体类别。局限：精度低于监督方法，且未针对室内“人静止+可移动物体”问题设计。\n- **本文作者前期工作 [^22][^23]**：环境地图构建与步行活动描述。核心思想：用 10 cm 网格单元表示环境，降低点云处理量。局限：未解决可移动静态物体被误检为动态目标的问题。\n\n**关键差异**：本文不是只做一次背景差分或单帧分类，而是将室内静态物体分为三类，分别用“坐姿判定（ST）”“形状分数（SS）”“最高点位置分布（PD）”“体素变化（VC）”四种特征串行/并行地提取可移动静态物体，并局部更新背景；从而在无需训练数据、满足实时性的前提下，把静止的人也保留为动态目标。\n\n## 3. 正交方向（Orthogonal directions）\n\n- **基于 RGB-D 相机的人体骨架跟踪 [^1] 与模板匹配 [^2]**：精度高，但测量范围窄，难以进行大范围全局观测，且无法同时获取环境物体位置。\n- **监督式深度学习的点云语义分割/目标识别 [^4] [^5] [^6] [^7] [^8] [^9] [^10] [^11] [^12] [^13] [^14] [^15] [^16] [^17]**：追求单帧高精度分类，但计算成本高，不适合连续时间序列中的实时信息获取。\n- **智能空间（iSpace）与未来便利店系统 [^24]**：关注机器人服务集成与顾客交互任务，本文方法作为其中环境地图构建模块，属于系统层面的正交应用方向。\n\n## 4. 一句话定位\n\n本文提出一种无需训练数据、可在 100 ms 传感器周期内实时运行的室内可移动静态物体提取方法，通过多特征分类与局部背景更新，将椅子、白板、绿植等可移动物体重新定义为背景，从而只把人作为动态目标，用于构建描述人类步行活动的环境地图。\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## 模块 C3：论文如何解决问题？\n\n### 1. 核心机制概述\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，用于构建描述人类步行活动的环境地图。核心机制不是直接对“人”做高成本分类，而是将室内静态物体分为三类，利用不同特征把“可移动静态物体”（椅子、白板、桌子、三脚架、室内植物等）从动态目标中逐步识别出来，并局部重定义为背景；最终只有人保留为动态目标。\n\n整体策略分为两个阶段：\n\n- **初始背景提取**：利用点云簇内角度标准差和背景代价，从长时间序列中生成可靠的初始背景（第 2 节）。\n- **可移动静态物体提取**：通过四种互补方法（ST、SS、PD、VC）依次处理候选动态物体，一旦判定为可移动静态物体，立即将其所占单元局部注册为背景（第 3 节）。\n\n实时性设计：点云被投影到 10 cm 方形单元网格中，用单元中心点代替原始点云，降低计算量；所有处理需在 3D LiDAR 的 100 ms 传感器周期内完成。\n\n### 2. 逐步分解\n\n### Step 1：初始背景提取（第 2.1 节）\n\n- 对 3D LiDAR 点云进行聚类。\n- 将高于传感器位置的点云簇直接视为静态物体，减少后续处理量（Figure 2）。\n- 对剩余点云簇按 10 cm 体素划分，计算每个体素内点云在 xy 平面上的角度标准差 \\(\\sigma_\\theta(p,q,r)\\)。\n- 根据 \\(\\sigma_\\theta\\) 定义背景权重 \\(\\omega_{\\mathrm{BG}}(p,q,r)\\)，并累加得到点云簇 i 的背景代价 \\(C_{\\mathrm{cluster}}(i)\\)。\n- 当 \\(C_{\\mathrm{cluster}}(i) > C_{th}\\) 时，将该簇判定为静态物体，构成初始背景。实验参数：\\(t_{th}=120\\) s，\\(C_{th}=960\\)，\\(\\alpha_1=0.10\\)，\\(\\beta_1=0.50\\)。\n\n### Step 2：动态目标提取\n\n- 将当前时刻点云与初始背景做差分，得到候选动态物体。这些候选物体既可能是人，也可能是被移动过的可移动静态物体。\n\n## Step 3：ST——基于坐姿判定的提取（第 3.1–3.2 节）\n\n- 检测人的坐姿/站起状态转换。\n- 当人处于坐姿时，记录其中心点周围 50 cm 半径内所有单元的高度历史，并计算平均高度 \\(\\overline{h(p,q)}\\)。\n- 当人站起并离开后，若出现高度显著低于 \\(\\overline{h(p,q)}\\) 的动态物体 k，则判定 k 为可移动静态物体（如椅子），并立即局部更新背景。\n- 判定条件：\\(h(t,k) + \\alpha < \\overline{h(p,q)}\\)，且持续时间 \\(t_{\\mathrm{chair}}(k) > \\beta\\)。实验参数：\\(\\alpha=100\\) mm，\\(\\beta=0.1\\)，\\(t_{th}=120\\) s。\n\n## Step 4：SS——基于形状分数的提取（第 3.3 节）\n\n- 针对白板、推车、桌子等具有平面/直线表面特征的物体。\n- 计算动态物体表面形状的线性度 \\(\\mu\\)，进而得到形状分数 \\(\\epsilon\\)。\n- 根据 \\(\\epsilon_{\\min}\\) 和 \\(\\epsilon_{\\max}\\) 累加背景代价 \\(C_{\\mathrm{BG}}(t,i)\\)。\n- 若 \\(C_{\\mathrm{BG}}(t,i) > \\gamma\\)，则判定为可移动静态物体并注册为背景。实验参数：\\(\\alpha_2=-0.0006\\)，\\(\\beta_2=5.0\\)，\\(t_{th}=120\\) s，\\(\\gamma=960\\)。\n- 若物体速度低于 0.1 m/s 且持续超过 1 s，则背景代价减 1.0，以避免将静止的人误判为物体。\n\n## Step 5：PD——基于最高点位置分布的提取（第 3.4.1 节）\n\n- 针对室内植物、垃圾桶、无人看管的椅子等形状和移动条件多样的物体。\n- 记录动态物体最高点所在单元 \\((p,q)\\) 的位置，持续 \\(t_{th}\\) s。\n- 若存在一个或多个单元在 \\(t_{th}\\) s 内被连续记录，则判定该动态物体为可移动静态物体，并将其所有单元注册为背景。\n\n## Step 6：VC——基于体素变化的提取（第 3.4.2 节）\n\n- 针对 PD 方法因传感器与物体位置关系而失效的情况。\n- 计算动态物体 i 在时刻 t 占据的体素数 \\(V(t,i)\\)，并统计 \\(t_{th}\\) s 内的众数 \\(V_{\\mathrm{mode}}(i)\\)。\n- 计算体素变化 \\(V_{\\mathrm{diff}}(t,i)\\) 的标准差 \\(\\sigma_{\\mathrm{diff}}(i)\\)。\n- 判定规则：\\(\\sigma_{\\mathrm{diff}}(i) < 5.0\\) 判定为可移动静态物体；\\(6.0 \\leq \\sigma_{\\mathrm{diff}}(i)\\) 判定为人；若处于 \\(5.0 \\leq \\sigma_{\\mathrm{diff}}(i) < 6.0\\)，则再观察 \\(t_{th}/2.0\\) s 后重新判定。实验参数：\\(l_{th}=100\\) mm。\n\n## Step 7：局部背景更新\n\n- 对上述任一方法判定为可移动静态物体的对象，将其所有占据单元立即注册为背景。\n- 更新后的环境地图中，只有人作为动态目标被保留，用于描述人类步行活动。\n\n### 3. 关键公式与模块作用\n\n| 公式 | 作用 | 所属模块 |\n|---|---|---|\n| \\(\\theta_n=\\tan^{-1}\\left | \\frac{P_{n,y}-P_{center,y}}{P_{n,x}-P_{center,x}}\\right | \\)，\\(\\bar{\\theta}=\\frac{\\sum_{k=1}^{N}\\theta_k}{N}\\) |\n| \\(\\omega_{\\mathrm{BG}}(p,q,r)=\\begin{cases}1.0,& 0<\\sigma_\\theta\\leq\\alpha_1 \\text{ 或 } \\beta_1<\\sigma_\\theta\\\\0.0,& \\alpha_1<\\sigma_\\theta\\leq\\beta_1\\end{cases}\\) | 根据角度标准差赋予背景权重，用于累积背景代价 | 初始背景提取 |\n| \\(h_{\\mathrm{sit}}(i)=0.55h_{\\mathrm{max}}(i)+(0.25h_{\\mathrm{max}}(i)-10)\\) | 估算人的坐姿高度，用于 ST 坐姿判定 | ST |\n| \\(\\mu=\\frac{\\sum_{k=3}^{M}\\left | \\theta_k-\\theta_{k-1}\\right | }{M-2}\\) |\n| \\(\\epsilon=\\alpha_2(90.0-\\mu)^2+\\beta_2\\) | 将线性度转换为形状分数，用于区分直线型物体与人 | SS |\n| \\(C_{\\mathrm{BG}}(t,i)=\\begin{cases}C_{\\mathrm{BG}}(t-1,i)+2.0,& 0<\\epsilon_{\\min}\\leq1.0\\\\C_{\\mathrm{BG}}(t-1,i)+1.0,& 1.0<\\epsilon_{\\min}\\leq2.0\\\\C_{\\mathrm{BG}}(t-1,i)-2.0,& 4.0<\\epsilon_{\\max}\\end{cases}\\) | 根据形状分数更新背景代价，超过阈值则判定为可移动静态物体 | SS |\n| \\(V_{cell,i}(t,n)=\\frac{h_{max,i}(p,q)}{l_{th}}\\)，\\(V(t,i)=\\sum_{k=1}^{n}V_{cell,i}(t,k)\\) | 计算物体占据的体素数，用于 VC 体素变化分析 | VC |\n\n### 4. 过程图\n\n```mermaid\nflowchart TD\n A[\"3D LiDAR 点云输入\"] --> B[\"点云聚类 + 高于传感器高度过滤\"]\n B --> C[\"体素化 10cm + 角度标准差计算\"]\n C --> D[\"背景代价累积，生成初始背景\"]\n D --> E[\"当前帧与初始背景差分 -> 候选动态物体\"]\n E --> F{\"ST: 坐姿/站起转换?\"}\n F -- \"是\" --> G[\"局部背景更新（椅子等）\"]\n F -- \"否\" --> H{\"SS: 形状分数判定?\"}\n H -- \"是\" --> I[\"局部背景更新（平面物体）\"]\n H -- \"否\" --> J{\"PD: 最高点位置连续稳定?\"}\n J -- \"是\" --> K[\"局部背景更新（静止物体）\"]\n J -- \"否\" --> L{\"VC: 体素变化标准差 < 5?\"}\n L -- \"是\" --> M[\"局部背景更新（其他物体）\"]\n L -- \"否\" --> N[\"判定为动态人目标\"]\n G --> O[\"更新环境地图\"]\n I --> O\n K --> O\n M --> O\n N --> O\n```\n\n该流程图对应论文第 2–3 节的处理流程：先建立初始背景，再通过 ST、SS、PD、VC 四种方法逐级筛选可移动静态物体，最终只保留人作为动态目标。\n\n\n## 模块 C4：实验数据集与实现设置（数据集/场景、为何选择、验证哪些关键特性） / Module C4: Datasets and implementation settings (what datasets/scenarios, why chosen, what they validate)\n\n## 模块 C4：数据集、基准与实现/评估设置\n\n### 1. 数据集 / 基准列表\n\n- **公开数据集 / 基准：** 本文未使用或发布任何公开数据集、基准测试集或代码链接；实验数据全部为作者自行采集的 3D LiDAR 点云数据（第 2.2 节、第 4.1 节）。\n- **实验一：初始背景提取实验（第 2.2 节）**\n - 场景：会议室，包含墙壁、桌子等静态物体，以及坐在椅子上的人（动态物体）。\n - 规模：使用 3D LiDAR 连续采集数据；取前 120 s 用于初始背景提取，用 120.1 s 时刻的点云进行动态物体提取验证。\n - 标注方式：对 120.1 s 点云进行人工标注，红色圆圈区域为“人”，其余点为背景（图 3(b)）。\n- **实验二：可移动静态物体提取评估实验（第 4.1 节）**\n - 场景：设计的人工实验环境，中央放置一张桌子作为静态遮挡物（图 7）。\n - 目标物体：6 种可移动静态物体——Chair A、Chair B、白板、桌子、相机三脚架、室内植物；2 种动态物体——坐着的人和站着的人。\n - 规模：单次试验采集 500 s 点云数据；共进行 4 次试验，每种物体测量 4 次。\n - 覆盖设置：4 次试验中，2 次在初始背景定义前放置物体、初始背景确定后再移动物体；另外 2 次在初始背景定义后才将物体放入环境。物体相对桌子的位置分为传感器侧（右侧）和墙壁侧（左侧），以覆盖有无遮挡的情况（第 4.1 节）。\n\n### 2. 预处理与划分 / 覆盖设置\n\n- **点云预处理与表示：** 将 3D LiDAR 点云投影到 10 cm 见方的网格单元（cell）中，用单元内点云的中心点或最大高度等特征降低计算量（第 1 节、第 2.1 节、第 3.1 节）。\n- **初始背景提取：** 先剔除高于传感器位置的点云簇，再对剩余点云簇按 10 cm 体素划分；计算体素内各点相对中心点的 xy 平面角度标准差 σ_θ，并据此定义背景权重 ω_BG 与背景代价 C_cluster；连续累计至 t_th = 120 s，若 C_cluster > C_th = 960，则判定为静态物体并构成初始背景（第 2.1 节）。\n- **实验一划分：** 前 120 s 作为初始背景提取阶段，120.1 s 点云作为测试帧；人工标注作为真值，比较提取结果（第 2.2 节）。\n- **实验二划分：** 每种物体 4 次测量；2 次在初始背景确定前放置、2 次在初始背景确定后放置；同一物体在传感器侧和墙壁侧各测 2 次，以覆盖遮挡影响（第 4.1 节）。\n- **评估流程：** 按 ST（坐姿判定）、SS（形状分数）、PD（最高点位置分布）、VC（体素变化）依次处理；若某一步已将物体重定义为背景，则不再进行后续处理（第 4.2 节、表 1）。\n\n### 3. 训练 / 推理 / 评估环境\n\n- **训练：** 本文方法不依赖监督式机器学习，因此没有训练集、训练轮次或模型训练环境；所有设计参数（α1、β1、α2、β2、γ、α、β、t_th、l_th 等）均由经验确定（第 2.1 节、第 3.2 节、第 3.3.2 节、第 3.4.2 节、第 4.2 节）。\n- **传感器与部署环境：** 使用 Velodyne VLP-16 3D LiDAR，传感器离地 1.8 m，目标物体放置在传感器 8.0 m 范围内；传感器周期为 100 ms，算法目标是在 100 ms 内完成处理（第 1 节、第 4.1 节）。\n- **评估指标：**\n - 初始背景提取实验：通过人工标注比较，检查人是否被误判为背景、静态物体是否被正确提取为初始背景（第 2.3 节）。\n - 可移动静态物体提取实验：评估三个因素——检测所需时间（shape determination time）、各步骤提取结果、误检次数（false extraction）；误检定义为可移动静态物体被误检为人，或人/物体被误检为背景（第 4.1 节、第 4.2 节）。\n- **结果记录：** 表 2 给出各物体在 ST、SS、VC、PD 各步骤的误检次数及最终判定时间；图 8、图 9 展示局部背景更新前后的环境地图变化（第 4.2 节）。\n\n### 4. 这些选择的意义与验证作用\n\n- **自采数据而非公开基准：** 由于研究面向室内服务机器人场景（如办公室、商店、未来便利店），现有公开数据集难以覆盖“静止的人 + 可移动静态物体 + 遮挡”的复杂室内情况；自采数据可针对性地验证方法在目标场景中的有效性（第 1 节、第 4.1 节）。\n- **多物体、多位置、多遮挡设置：** 通过 6 种可移动静态物体和 2 种人体状态（坐、站），以及传感器侧/墙壁侧的位置变化，验证方法对不同形状、不同运动模式物体的泛化能力，特别是遮挡对点云完整性的影响（第 4.1 节）。\n- **初始背景前后放置的对比：** 2 次在初始背景前放置、2 次在初始背景后放置，用于验证初始背景提取的鲁棒性，以及物体移动后能否被后续局部背景更新重新吸收为背景（第 4.1 节）。\n- **实时性验证：** 以 100 ms 传感器周期为约束，评估各方法的处理时间，证明基于特征的方法可在保持实时性的同时完成动态物体与可移动静态物体的区分（第 1 节、第 4.2 节）。\n- **局限性：** 实验规模较小（每种物体 4 次测量），且设计参数依赖经验值；作者也指出未来需要更多环境数据来优化参数（第 4.2 节、第 5 节）。\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. 指标定义\n\n- **误提取（False extraction）**：表2中统计的假阳性次数，即“可移动静态物体被误判为人”或“人被误判为静态物体/背景”的次数。每类物体在4次试验中统计，格式为“误判次数/总试验次数”。\n- **形状判定时间（Shape determination time）**：从物体被赋予ID（即被提取为动态物体）的时刻起，到判定其为“可移动静态物体”或“人”为止所需的时间，单位为秒。对Chair A，该时间从“坐姿者站起”的时刻开始计时。\n- **提取成功率/最终结果**：表2中“Result”列表示经过ST→SS→VC/PD级联处理后，最终仍发生误提取的次数。\n- **初始背景提取正确性**：第2.3节中，通过人工标注点云（图3b）与算法提取结果对比，检查人是否被误判为背景、静态物体是否被正确纳入初始背景。\n\n### 2. 主要结果\n\n#### 2.1 初始背景提取实验（第2.2–2.3节）\n\n- 使用会议室数据，前120 s用于生成初始背景，在120.1 s进行差分提取。\n- 环境中7个人均被提取为动态物体并分配ID，没有被误判为初始背景（图4）。\n- 物体ID No.5为假阳性：由于120 s内被ID No.2或No.3的人遮挡，点云不充分，背景代价不足，导致该非人物体未被定义为背景。\n- ID 1、4、10在120 s内曾被临时分配给人，但随后通过背景提取被重新定义为背景并消除ID。\n\n#### 2.2 可移动静态物体提取实验（第4节）\n\n- 实验设置：VLP-16 3D LiDAR置于1.8 m高度，目标物体均在8.0 m内；单次采集500 s，共4次试验，改变物体相对传感器的朝向、距离以及是否受桌子遮挡。\n- 表2结果（按原文）：\n - **Chair A**：ST提取，误提取0/4，形状判定时间17.8 s（ST）。\n - **White board**：SS提取，误提取0/4，形状判定时间53.4 s（SS）。\n - **Desk / Camera stand**：SS提取，误提取0/4，形状判定时间58.6 s（SS）。\n - **Chair B**：SS阶段误提取3/4，VC阶段0/3，PD阶段2/3，最终Result 0/4；形状判定时间55.4 s（SS）。\n - **Indoor plant**：SS阶段误提取4/4，VC阶段4/4，PD阶段0/4，最终Result 0/4；形状判定时间177.9 s（VC/PD）和191.0 s（PD）。\n - **人（站立/坐姿）**：ST、SS、VC、PD各阶段误提取均为0/4，最终Result 0/4。\n- 所有可移动静态物体最终均被某一种方法重新定义为背景；所有人在所有试验中均被识别为动态物体。\n- 图8、图9显示局部背景更新效果：Chair A在t=17.9 s、Chair B在t=178.0 s时，目标物体所在区域被重新定义为背景（黑色）。\n\n### 3. 与基线/代表性工作的比较\n\n- 论文未提供与基线方法的定量对比表格，而是以定性方式与三类方法比较：\n - **背景差分法**（如Jung等[^3]）：无法处理室内静止不动的人（坐着或站着停留），这些人会被误判为静态物体。\n - **监督式机器学习方法**（将点云作为图像处理[4–9]或直接分类[10–17]）：精度较高，但处理成本高，难以在连续时间序列中实时提取动态物体；且为多样化室内环境准备训练数据不现实。\n - **非机器学习特征方法**（如Lv等[^20]基于体素密度变化）：成本较低，但无法处理“人不移动”的室内场景。\n- 本文方法的核心优势：无需训练数据，可在100 ms传感器周期内连续运行，并能区分“人”与“可移动静态物体”（椅子、白板、桌子、三脚架、室内植物等）。\n\n### 4. 消融/敏感性分析\n\n- **方法级消融**：表1列出四种特征提取方法（ST、SS、PD、VC），表2给出每种方法在各物体上的误提取次数，可视为对特征模块的消融：\n - ST对Chair A有效且最快（17.8 s）。\n - SS对白板、桌子/三脚架有效（0/4误提取），但对Chair B和室内植物失效（Chair B误提取3/4，室内植物4/4）。\n - PD对室内植物有效（0/4误提取），对Chair B有2/3误提取。\n - VC对Chair B有0/3误提取，但对室内植物4/4误提取。\n - 级联后所有物体最终均被正确提取，说明各方法互补。\n- **设计参数敏感性**：\n - 初始背景提取：$\\alpha_1=0.10$、$\\beta_1=0.50$（角度标准差阈值），$t_{th}=120$ s，$C_{th}=960$。作者称通过多种分析经验确定，动态物体（人）的角度标准差趋于0.1–0.5。\n - 坐姿检测：$h_{sit}(i)=0.55h_{max}(i)+(0.25h_{max}(i)-10)$（基于日本人坐高比例和人体工学坐高）。\n - 椅子提取：$\\alpha=100$ mm、$\\beta=0.1$、$t_{th}=120$ s。\n - 形状分数：$\\alpha_2=-0.0006$、$\\beta_2=5.0$；形状分数范围：直线物体$0<\\epsilon_{max}<2.0$、$0<\\epsilon_{min}<1.5$，人体$3.0<\\epsilon_{max}<5.0$、$2.0<\\epsilon_{min}<4.0$。\n - 背景代价更新：$C_{BG}$按$\\epsilon_{min}$区间加2.0/1.0或按$\\epsilon_{max}>4.0$减2.0；速度>0.1 m/s持续1 s以上则减1.0；阈值$\\gamma=960$，$t_{th}=120$ s。\n - 体素变化：$l_{th}=100$ mm；$\\sigma_{diff}<5.0$判定为可移动静态物体，$6.0\\leq\\sigma_{diff}$判定为人；$5.0\\leq\\sigma_{diff}<6.0$时再观测$t_{th}/2$ s后重新判定。\n- **泛化性说明**：作者指出所有参数均根据检测精度和处理时间经验确定，并在多个商业建筑中验证无需调整参数即可有效；但随更多环境数据积累，参数可进一步优化。\n\n### 5. 小结\n\n- 实验证明，所提出的级联方法（ST→SS→VC/PD）能够在不同时间尺度上提取各类可移动静态物体，并完成局部背景更新，使人成为唯一动态目标。\n- 主要局限：PD和VC需要约120 s甚至更长的判定时间（室内植物约178–191 s），期间物体仍被视为动态物体；未来需缩短形状判定时间并提高检测效率。\n\n\n## 模块 C6：有什么可以进一步探索的点？（理论/工程/数据/评测） / Module C6: What can be further explored? (theory/engineering/data/evaluation)\n\n## 模块 C6：后续可探索方向\n\n### 理论方向\n\n- 提出更通用的可移动静态物体分类与特征融合框架。论文将室内可移动静态物体分为三类（坐姿关联物体、线性表面物体、无主动运动物体），并分别用 ST、SS、PD、VC 四种方法处理（表 1，第 3 节）。后续可从理论上统一这些启发式特征（角度标准差、线性度、最高点位置分布、体素变化）为可学习的概率模型或贝叶斯更新框架，减少对人工设计参数（如 α1、β1、α2、β2、γ 等）的依赖。\n- 研究动态物体与背景的长期时序建模。当前方法在初始背景提取后，仅对局部区域进行背景更新（第 3.2–3.4 节），缺少对物体长期“移入—移出—再移入”的显式状态模型。可探索基于隐马尔可夫模型或状态空间模型的物体状态估计，以处理遮挡、传感器噪声和物体重新摆放等情形。\n- 建立可移动静态物体提取的误差传播理论。论文指出初始背景提取的准确性至关重要（第 2 节），但未分析初始背景误差如何影响后续 ST/SS/PD/VC 的判定。可研究误差传播界，并给出各设计参数的敏感性分析。\n\n### 工程方向\n\n- 缩短形状判定时间。论文实验显示 PD/VC 需要约 120 s 甚至更久（室内植物 177.9 s、191.0 s，表 2），且作者在结论中明确提到要“减少确定形状所需的时间”（第 5 节）。可工程化地引入并行流水线、增量式背景更新或 GPU 加速，使判定在 100 ms 传感器周期内更早收敛。\n- 开发自动参数标定与自适应调整机制。论文中 α1=0.10、β1=0.50、α=100 mm、β=0.1、t_th=120 s、γ=960 等均为经验值（第 2.1、3.2、3.3.2 节）。可设计在线自标定模块，根据环境点云统计特性自动调整阈值，减少人工干预。\n- 将方法集成到实际服务机器人系统。论文提到 iSpace 未来便利店场景（第 1 节，参考文献 [^24]），但未给出完整系统集成方案。可开发 ROS 节点或模块化软件包，将 3D LiDAR 点云输入、初始背景提取、动态目标提取、局部背景更新串联为实时管线，并处理多传感器融合与动态场景切换。\n\n### 数据与评估方向\n\n- 构建更大规模、多场景的公开基准数据集。当前实验仅使用一个会议室的 120 s 初始背景数据（第 2.2 节）和 4 次试验、6 类可移动静态物体、2 类人的评估（第 4.1 节）。需要包含办公室、商店、便利店、走廊等多种室内环境，以及不同遮挡条件、不同物体摆放和多人场景的标注数据。\n- 增加定量指标与消融实验。论文主要报告误检次数和形状判定时间（表 2），缺少精确率/召回率/F1、轨迹误差、背景更新一致性等指标。建议补充各方法（ST/SS/PD/VC）单独与组合的消融实验，并给出参数敏感性曲线。\n- 评估长期运行与动态场景漂移。论文实验为 500 s 单次采集（第 4.1 节），未验证数小时或数天的持续运行中，背景地图是否会累积错误、物体被反复移动后系统能否稳定跟踪。可设计长期数据采集协议，统计背景误更新率、人员漏检率和地图质量退化情况。\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：真实世界使用中的表现\n\n### 1. 部署约束\n\n- **传感器安装要求**：方法依赖 3D LiDAR，且论文明确将传感器置于高于人头的位置（第 2.1 节、图 2），实验中 VLP-16 被放置在离地 1.8 m 处（第 4.1 节）。这意味着部署场景必须提供稳定的高架安装点，并保证传感器视野覆盖目标活动区域。\n- **环境与距离限制**：实验中将所有目标物体放置在距传感器 8.0 m 以内（第 4.1 节）。虽然论文未给出严格最大探测距离，但点云密度、遮挡和传感器角度会随距离变化，实际部署需要根据 LiDAR 型号和场景大小重新验证有效范围。\n- **空间离散化约束**：系统使用 10 cm 见方的网格单元表示环境（第 1 节、第 2.1 节），因此地图分辨率和物体判定粒度受限于 10 cm 单元。对于更小物体或需要更高精度的场景，该参数需要调整。\n- **初始背景建立时间**：系统在开始动态提取前需要约 120 s 的初始背景建立阶段（第 2.1 节，t_th=120 s），且此阶段不输出动态物体信息。真实部署中，若环境布局频繁变化，可能需要重新初始化或设计更快的背景建立机制。\n- **目标场景**：论文面向办公室、商店、未来便利店等服务机器人室内场景（第 1 节、第 5 节），并已在 World Robot Summit 2020 Future Convenience Store Challenge 的 iSpace 系统中应用（第 1 节）。因此部署前提是室内、有可移动静态物体（椅子、白板、推车等）且需要持续观察人类活动的环境。\n\n### 2. 计算与延迟影响\n\n- **实时性目标**：论文明确要求动态物体提取和信息获取阶段必须在 3D LiDAR 的传感器周期 100 ms 内完成（第 1 节）。这是系统设计的基本计算约束。\n- **降计算量策略**：为满足 100 ms 约束，系统采用多种降载手段：\n - 将高于传感器位置的点云簇直接视为静态物体，减少待处理点云数量（第 2.1 节、图 2）；\n - 将点云投影到 10 cm 网格单元，用单元中心点代替原始点云，降低数据量（第 1 节）；\n - 动态物体用一组 10 cm 单元表示，每个单元只存储最高 z 坐标，降低高度计算成本（第 3.1 节）。\n- **分阶段延迟**：不同可移动静态物体提取方法的判定时间差异明显（表 2）：\n - 基于坐姿判定（ST）的椅子提取最快，形状判定时间约 17.8 s；\n - 基于形状分数（SS）的白板、桌子、三脚架约 53.4–58.6 s；\n - 基于最高点位置分布（PD）和体素变化（VC）的室内植物、椅子 B 需要约 177.9–191.0 s。\n - 论文也承认 PD/VC 需要 120 s 数据积累，判定时间过长，未来需要缩短（第 4.2 节）。\n- **计算瓶颈**：虽然单帧处理可满足 100 ms，但 PD/VC 方法需要持续 120 s 记录每个物体的最高点位置和体素数，内存和状态管理成本随物体数量增加。若场景中同时出现大量动态物体，状态存储和更新可能成为瓶颈。\n- **后台更新成本**：局部背景更新只作用于被判定为可移动静态物体所占的单元（第 3.2、3.3、3.4 节），避免全图重算，这是维持实时性的关键设计。\n\n### 3. 鲁棒性与安全性问题\n\n- **遮挡与传感器噪声**：论文多处提到遮挡和噪声的影响。例如，初始背景提取实验中，物体 No.5 因被 No.2/No.3 遮挡导致点云不足，未被正确判定为背景，产生误检（第 2.3 节）。真实场景中，人、家具、货架之间的遮挡会更复杂，可能导致可移动静态物体长期无法被识别。\n- **静止人的处理**：方法的核心挑战之一是区分静止的人与可移动静态物体。初始背景提取利用点云簇内角度标准差区分静止的人和墙/桌等（第 2.1 节）；后续 ST/SS/PD/VC 方法也需避免把人误判为背景。实验中站立和坐着的人均未被误检（表 2），但论文也指出若人的体素变化标准差落在 5.0–6.0 的模糊区间，需要额外 t_th/2 秒再判定（第 3.4.2 节），说明该边界情况存在鲁棒性风险。\n- **误检与漏检**：表 2 显示椅子 B 在 SS 阶段有 3/4 次误检，在 VC 阶段有 0/3 次误检，在 PD 阶段有 2/3 次误检；室内植物在 SS 和 VC 阶段各有 4/4 次误检，最终靠 PD 才正确提取。这说明单一特征方法在真实环境中不可靠，必须串联多种方法，且最终结果仍可能依赖运气。\n- **安全风险**：论文面向服务机器人，若机器人基于该环境地图导航或交互，误把人判定为背景可能导致机器人碰撞或无法避让；误把可移动物体判定为人则可能导致机器人行为异常。论文强调“最重要的是避免把人错误提取为可移动静态物体并丢失其信息”（第 3.4.2 节），但未讨论机器人控制层面的安全冗余。\n- **隐私与伦理**：系统持续记录人的位置、移动路径和停留时间（第 1 节），在真实商店/办公室部署时涉及个人活动数据采集。论文未讨论隐私保护、数据脱敏或用户同意机制，这是实际落地必须补充的环节。\n- **环境变化鲁棒性**：方法假设初始背景建立后环境基本稳定，只处理局部可移动物体。若发生大规模布局调整（如搬动多张桌子、隔断），局部背景更新可能无法及时反映全局变化，导致动态提取错误累积。\n\n### 4. 可维护性\n\n- **参数依赖经验值**：论文中多个关键参数为经验设定，包括 α1=0.10、β1=0.50（第 2.1 节）、α=100 mm、β=0.1、t_th=120 s（第 3.2 节）、α2=-0.0006、β2=5.0（第 3.3.1 节）、γ=960（第 3.3.2 节）、l_th=100 mm（第 3.4.2 节）。这些参数与传感器型号、安装高度、环境尺寸强相关，更换 LiDAR 或改变部署环境后需要重新标定。\n- **参数调优成本**：论文称“这些值是根据检测精度和处理时间，通过验证其他取值时的结果而经验确定的”（第 4.2 节），但未提供系统调参方法或自动优化流程。维护者需要人工试验不同参数组合，成本较高。\n- **多环境泛化**：论文声称方法在多个商业建筑中有效，且无需调整设计参数（第 4.2 节），但未给出这些环境的详细数据或对比结果。可维护性声明缺乏公开证据支持。\n- **代码与数据缺失**：论文未提供代码、数据集或补充材料链接（第 1 节仅提到“View supplementary material”，但未给出具体内容）。这导致部署者无法直接复现实验，也难以针对自身场景微调算法。\n- **传感器校准与维护**：方法依赖 LiDAR 的安装高度和角度，以及点云与网格单元的对应关系。传感器松动、漂移或更换后，需要重新校准初始背景和参数。论文未讨论传感器长期运行中的漂移问题。\n- **地图更新机制**：系统通过局部背景更新将可移动静态物体“固化”为背景。若物体再次被移走，背景中会残留旧物体点云，可能造成后续动态提取错误。论文未讨论背景的“撤销”或“过期”机制，长期运行中的地图一致性维护是未解决的问题。\n- **可扩展性**：方法针对室内中小型场景设计，物体数量有限。若扩展到大型开放空间（如机场、商场中庭），点云数量、物体数量、遮挡复杂度都会显著增加，100 ms 实时约束可能难以满足，需要重新设计数据结构或引入并行计算。\n\n### 5. 小结\n\n该方法的真实世界部署需要高架 3D LiDAR、稳定的初始背景建立期（约 120 s）、10 cm 网格离散化，以及针对特定环境的经验参数标定。计算上通过点云降载和局部背景更新可满足 100 ms 实时要求，但 PD/VC 方法的判定延迟长达约 3 分钟，不适合需要快速响应的场景。鲁棒性方面，遮挡、静止人、模糊体素变化区间是主要风险；安全性上需防止把人误判为背景，并补充隐私保护措施。可维护性受限于经验参数、缺乏公开代码/数据、背景更新不可逆等问题，实际落地需要额外的工程化开发。\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## 模块 C8：简明总结\n\n### 1. 总结段落（6-8 句）\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，用于构建描述人类步行活动的环境地图。作者将室内静态物体分为三类，并分别提出基于坐姿判定（ST）、形状分数（SS）、最高点位置分布（PD）和体素变化（VC）的提取算法（第 3 节，表 1）。初始背景通过点云簇内角度标准差与背景代价判定生成，从而将静止的人与墙体、桌椅等静态物体区分开（第 2 节）。实验表明，椅子、白板、桌子、三脚架和室内植物等可移动静态物体均能被重新定义为背景，而站立或静坐的人始终被识别为动态对象（第 4 节，表 2）。其中，ST 对 Chair A 的判定时间最短（17.8 s），SS 对白板、桌子和三脚架无误检，PD/VC 可处理形状复杂或静止不动的物体（表 2）。该方法面向 iSpace 未来便利店等场景，可在 100 ms 传感器周期内持续运行，但 PD/VC 的判定时间较长（约 120–191 s），是未来优化重点（第 4.2 节、第 5 节）。\n\n### 2. 五个关键要点\n\n1. **核心问题**：室内存在大量可移动静态物体（椅子、白板、植物等），传统背景差分无法区分静止的人与这些物体，机器学习方法成本高且依赖标注数据（第 1 节）。\n2. **初始背景提取**：利用点云簇内角度标准差 σ_θ 定义背景权重 ω_BG，并通过背景代价 C_cluster 在 120 s 内判定静态物体，避免将静止的人误判为背景（第 2.1 节）。\n3. **四类提取机制**：ST 利用坐/站高度转换检测被移动的椅子；SS 利用表面直线度 μ 和形状分数 ε 识别白板、桌子等平面物体；PD 利用最高点位置分布判断是否主动运动；VC 利用体素数量变化区分人与可移动静态物体（第 3 节，表 1）。\n4. **局部背景更新**：被判定为可移动静态物体的所有单元立即重新注册为背景，从而在保持实时性的同时，使环境地图只保留人的动态信息（第 3.2–3.4 节，图 8–9）。\n5. **实验效果与局限**：所有目标可移动静态物体均被成功提取且无误检，人（站立/静坐）均被正确保留为动态对象；但 PD/VC 需要约 120–191 s 的判定时间，且 Chair B 在 SS 阶段出现 3/4 误检，需后续缩短判定时间（第 4.2 节，表 2）。\n\n### 3. 核心公式/机制\n\n初始背景提取的核心是点云簇内角度标准差 σ_θ 驱动的背景权重：\n\n$$\n\\omega_{\\mathrm{BG}}(p,q,r) =\n\\begin{cases}\n1.0, & 0<\\sigma_\\theta(p,q,r)\\le\\alpha_1 \\text{ 或 } \\beta_1<\\sigma_\\theta(p,q,r),\\\\\n0.0, & \\alpha_1<\\sigma_\\theta(p,q,r)\\le\\beta_1,\n\\end{cases}\n$$\n\n其中 α₁=0.10、β₁=0.50 为经验参数；当某点云簇的背景代价 C_cluster(i) 在 t_th=120 s 内超过 C_th=960 时，该簇被定义为初始背景（第 2.1 节）。这一机制将“静止的人”与“静态物体”区分开，是后续动态对象提取与局部背景更新的基础。\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本文按“问题—方法—实验—结论”组织，核心方法分为初始背景提取与可移动静态物体提取两大部分。\n\n- 第1节 引言：说明动态目标提取与信息获取两阶段；指出现有背景差分、机器学习、体素密度方法的局限；提出以 10 cm 单元环境地图、初始背景差分、100 ms 实时处理为基本策略；将室内可移动静态物体分为三类（图1）。\n- 第2节 初始背景提取：提出基于点云簇内角度标准差与背景代价的初始背景生成方法；给出公式(1)(2)；通过会议室实验验证（图3、图4）。\n- 第3节 可移动静态物体提取：按三类特征分别提出 ST（坐姿检测）、SS（形状分数）、PD（最高点位置分布）、VC（体素变化）四种方法，并配合局部背景更新。\n- 第4节 评估实验：设计包含 6 种可移动静态物体和 2 种人的实验（图7），用表1、表2、图8、图9 评估四种方法的提取时间、误检率和最终效果。\n- 第5节 结论：总结方法有效性，指出未来需缩短形状判定时间并提高检测效率。\n\n## 2. 方法/系统分解\n\n### 2.1 输入与输出\n\n- 输入：3D LiDAR（VLP-16）连续点云时间序列，传感器周期 100 ms；传感器通常置于高于人头的位置（第2.1节）。\n- 输出：描述人类步行活动的环境地图；地图中仅人作为动态目标，可移动静态物体被局部重定义为背景。\n\n### 2.2 主要模块\n\n1. 初始背景提取模块（第2.1节）\n - 将高于传感器位置的点云簇直接判为静态物体（图2）。\n - 对剩余点云簇进行 10 cm 体素化，计算体素内各点相对中心点的 xy 平面角度标准差 σ_θ（公式(1)）。\n - 根据 σ_θ 定义背景权重 ω_BG（公式(2)），累加得到簇的背景代价 C_cluster；当 C_cluster > C_th 且持续 t_th 秒后，将该簇定义为初始背景。\n - 设计参数：α1=0.10，β1=0.50，t_th=120 s，C_th=960。\n\n2. 动态目标提取模块（第2.3节）\n - 用当前点云减去初始背景，得到动态目标簇；动态目标用 10 cm 单元表示，每个单元存储最大 z 坐标。\n\n3. 可移动静态物体提取模块（第3节）\n - ST（坐姿检测，第3.1-3.2节）：根据动态目标高度 h(t,i) 与最大高度 h_max(i) 判断坐姿；坐姿高度 h_sit(i)=0.55h_max(i)+(0.25h_max(i)-10)（公式(3)）。人从坐姿转为站姿并离开后，若附近动态目标高度满足 h(t,k)+α < h(p,q) 且持续时间超过 β，则判定为椅子类可移动静态物体。\n - SS（形状分数，第3.3节）：利用可移动静态物体移动后在初始背景上产生的阴影（图5）；计算动态目标表面线性度 μ（公式(4)），再映射为形状分数 ε（公式(5)）；根据 ε_min、ε_max 累加背景代价 C_BG（公式(6)），超过阈值 γ 则判定为可移动静态物体。\n - PD（最高点位置分布，第3.4.1节）：记录动态目标最高点所在单元位置；若某单元连续 t_th 秒位置不变，则判定为可移动静态物体。\n - VC（体素变化，第3.4.2节）：用公式(7)(8)计算动态目标占用的体素数 V(t,i)，统计 t_th 秒内体素变化的标准差 σ_diff；σ_diff<5.0 判为可移动静态物体，6.0≤σ_diff 判为人；中间区间再观察 t_th/2 秒。\n\n4. 局部背景更新模块（第3.2、3.3.2、3.4.1、3.4.2节）\n - 将判定为可移动静态物体的所有单元立即注册为背景，仅保留人的动态信息。\n\n### 2.3 训练/推理流程\n\n- 本文方法不依赖监督学习，无训练阶段、无损失函数。\n- 推理流程为逐帧处理：先确定初始背景，再逐帧差分得到动态目标，然后依次用 ST、SS、PD、VC 判定并局部更新背景。\n\n## 3. 重要图表解读\n\n### 3.1 图1：室内静态物体分类（第1节）\n\n图1 将室内静态物体分为三类：\n\n- 第一类：随人移动的物体，如椅子；\n- 第二类：具有平坦表面、可移动的物体，如白板、推车、文件柜；\n- 第三类：形状和移动条件多样的物体，如室内植物、垃圾桶、无人椅子。\n该分类直接决定了第3节四种提取方法的设计：ST 针对第一类，SS 针对第二类，PD 和 VC 针对第三类。\n\n### 3.2 图4：初始背景提取与动态目标提取结果（第2.3节）\n\n图4(a) 用黑色单元表示被提取为初始背景的静态物体，图4(b) 为原始点云。实验中有 7 人，均被正确提取为动态目标并分配 ID；墙壁和部分椅子未出现在动态目标圆圈中，说明被正确归为背景。No.5 是假阳性：由于 120 s 内被 No.2 或 No.3 遮挡，点云不足，背景代价未达阈值，因此被误判为动态目标。该图验证了初始背景提取方法的有效性，也暴露了遮挡导致的失败模式。\n\n### 3.3 表2：四种方法提取结果与形状判定时间（第4.2节）\n\n表2 按对象列出 ST、SS、VC、PD 的误提取次数和最终结果：\n\n- Chair A：ST 提取，0/4 误检，判定时间 17.8 s，说明坐姿检测对椅子最快且可靠。\n- White board、Desk、Camera stand：SS 提取，0/4 误检，判定时间分别为 53.4 s、58.6 s，说明形状分数适合平面物体。\n- Chair B：SS 有 3/4 误检，PD 有 2/3 误检，VC 0/3 误检，最终 0/4 误检；说明扶手和座面使形状特征不稳定，需要 PD/VC 补充。\n- Indoor plant：SS 和 VC 均 4/4 误检，PD 0/4 误检，判定时间 177.9 s（VC, PD）和 191.0 s（PD）；说明植物只能靠最高点位置分布提取，但耗时较长。\n- 站立和坐姿的人：所有方法均 0/4 误检，说明方法不会把人误判为背景。\n该表是评估四种方法互补性的核心证据。\n\n## 4. 实验/评估细节\n\n### 4.1 数据集\n\n- 无公开数据集，使用自采点云数据。\n- 传感器：VLP-16 3D LiDAR，离地 1.8 m，目标物放置在传感器 8.0 m 范围内（第4.1节）。\n- 单次采集 500 s，共 4 次试验；通过改变物体相对传感器的方向和距离获得多样性。\n- 6 种可移动静态物体：Chair A、Chair B、白板、桌子、相机三脚架、室内植物；2 种动态物体：站立的人、坐姿的人。\n- 4 次试验中，2 次在初始背景定义前放置物体，2 次在初始背景定义后放置物体；物体放在桌子两侧以引入遮挡差异。\n\n### 4.2 指标\n\n- 误提取次数：可移动静态物体被误判为人，或人被判为背景的次数（表2 Result 列）。\n- 形状判定时间：从动态目标 ID 分配（0 s）到判定为可移动静态物体或人所用时间；Chair A 从坐姿人站起时刻开始计时。\n\n### 4.3 对比目标与公平性\n\n- 本文没有与外部基线方法（如机器学习分类器）做定量对比，主要对比四种内部方法 ST、SS、PD、VC 的适用对象和误检率。\n- 每种物体均测量 4 次，且通过改变位置、方向、遮挡条件来保证评估的公平性。\n\n### 4.4 消融/组合分析\n\n- 没有传统消融实验，但表2 展示了各方法单独使用时的误检率，以及组合流程的最终结果。\n- 例如 Chair B 和 Indoor plant 需要 PD/VC 补充才能达到 0/4 误检，说明单一方法不充分，组合是必要的。\n\n## 5. 方法流程图（method archetype）\n\n```text\n3D LiDAR 点云序列\n │\n ▼\n[初始背景提取] ──► 初始背景地图\n 第2.1节，公式(1)(2)\n │\n ▼\n[逐帧背景差分] ──► 动态目标簇（人 / 可移动静态物体）\n │\n ├─► ST 坐姿检测（第3.1-3.2节）──► 椅子类 → 局部背景更新\n ├─► SS 形状分数（第3.3节）────► 白板/桌/三脚架 → 局部背景更新\n ├─► PD 最高点位置分布（第3.4.1节）► 静止植物/无人椅 → 局部背景更新\n └─► VC 体素变化（第3.4.2节）──► 主动运动判别 → 局部背景更新\n │\n ▼\n仅人作为动态目标 → 人类步行活动环境地图\n```\n\n该流程图对应论文第2节到第4节的完整处理链：先建立初始背景，再通过差分获得动态目标，最后用四种特征方法逐步将可移动静态物体重定义为背景，从而只保留人的动态信息。\n\n\n## 模块 E：第三遍深度审视（重建/假设/失败模式/审稿意见） / Module E: Third Pass (reconstruction, assumptions, failure modes, review)\n\n## 模块E：第三遍深度评审\n\n### 1. 可重建性（Reconstructability）\n\n基于论文第2-4节，可重建主要流程。伪代码如下：\n\n```text\n输入：3D LiDAR 点云序列（周期 100 ms），传感器高于人头（本文 1.8 m）\n参数：α1=0.10, β1=0.50, t_th=120 s, C_th=960, α=100 mm, β=0.1, α2=-0.0006, β2=5.0, γ=960, l_th=100 mm\n\n# 阶段1：初始背景提取（第2.1节）\nfor t in 1..t_th:\n 获取点云\n 将高于传感器位置的点云簇直接判为静态物体（图2）\n 对剩余点云簇，按10cm体素划分\n 对每个体素(p,q,r)：\n 计算中心点 P_center\n 对体素内每个点 n 计算 xy 平面角 θ_n = atan2(|P_n,y - P_center,y|, |P_n,x - P_center,x|)\n 计算 θ 的标准差 σ_θ\n 按式(2)赋背景权重 ω_BG：0<σ≤α1 或 σ>β1 时=1.0；α1<σ≤β1 时=0.0\n 对每个点云簇 i，累加其所有体素的 ω_BG 均值到背景代价 C_cluster(i)\n 若 C_cluster(i) > C_th，则簇 i 为初始背景\n\n# 阶段2：动态目标提取与可移动静态物体判定（第3节）\n每帧：\n 用当前点云减去初始背景，得到动态目标（含人和可移动静态物体）\n 对每个动态目标 i：\n # ST：坐姿判定（3.1-3.2）\n 记录高度 h(t,i) 与历史最大高度 h_max(i)\n 计算坐姿高度 h_sit(i)=0.55*h_max(i)+(0.25*h_max(i)-10)\n 若 h(t,i)β，则 k 为可移动静态物体，局部更新背景\n\n # SS：形状分数（3.3）\n 若目标在初始背景上产生超过10s的阴影（图5），计算线性度 μ（式4）\n 将目标按距离均值分为两类，分别计算 μ\n 由式(5)计算形状分数 ε=α2*(90-μ)^2+β2\n 按式(6)更新背景代价 C_BG(t,i)：\n 0<ε_min≤1.0：+2.0\n 1.0<ε_min≤2.0：+1.0\n 4.0<ε_max：-2.0\n 若速度<0.1 m/s 持续>1s：-1.0\n 若 C_BG>γ，则判定为可移动静态物体，局部更新背景\n\n # PD：最高点位置分布（3.4.1）\n 对动态目标 i，持续 t_th 秒记录最高点所在单元位置\n 若存在一个或多个单元连续 t_th 秒被记录，则判定为可移动静态物体，局部更新背景\n\n # VC：体素变化（3.4.2）\n 对每个单元(p,q)，用式(7)计算 V_cell,i(t,n)=h_max,i(p,q)/l_th\n 用式(8)求和得到 V(t,i)\n 持续 t_th 秒，取众数 V_mode(i)，计算 V_diff(t,i)=V_mode(i)-V(t,i)\n 计算 V_diff 的标准差 σ_diff(i)\n 若 σ_diff<5.0：可移动静态物体；若 6.0≤σ_diff：人；若 5.0≤σ_diff<6.0：再观察 t_th/2 秒后判定\n```\n\n重建所需关键参数均已在论文中给出（第2.1、3.2、3.3、3.4节）。但缺少：原始点云数据、标注数据、代码实现、传感器安装的具体点云格式、以及参数敏感性分析，因此完全复现仍有困难。\n\n### 2. 假设（Assumptions）\n\n- 3D LiDAR 安装在高于人头的位置（本文1.8 m），因此高于传感器的点云簇可直接视为静态物体，不会影响人的提取（第2.1节，图2）。\n- 人的点云簇内角度标准差 σ_θ 会收敛在 0.1 到 0.5 之间，而静态物体不在此范围，因此可用 α1=0.10、β1=0.50 区分（第2.1节）。\n- 人坐姿高度约为身高的 53%-55%，且符合人体工学坐高（0.25h-10mm），因此式(3)可估计坐姿高度（第3.1节）。\n- 可移动静态物体（白板、桌子、三脚架等）表面具有直线性，而人的表面形状线性度变化大，因此可用形状分数 ε 区分（第3.3节，图6）。\n- 可移动静态物体不会主动运动，其最高点位置分布和体素占用数在时间上稳定；人即使静坐也有头部微小运动或体素变化，因此可用 σ_diff<5.0 区分（第3.4节）。\n- 背景更新只需在局部区域进行，且初始背景提取期间（120 s）不进行动态目标信息采集，以避免错误累积（第2节）。\n\n### 3. 失败模式或盲点（Failure modes / blind spots）\n\n- 遮挡导致点云不足：如第2.3节中 No.5 物体因被 No.2/3 的人遮挡，120 s 内点云不充分，背景代价不足，被误判为动态目标（图4）。类似地，Chair B 因点云包含扶手和座面，形状分数无法稳定提取，需 PD/VC 补充（第4.2节）。\n- 参数依赖经验值：α1、β1、α2、β2、γ、t_th 等均通过经验设定，论文未提供系统调参过程或敏感性分析；在不同环境或传感器配置下可能失效（第2.1、3.3、3.4节）。\n- 长时间判定延迟：PD/VC 需要 120 s 甚至更长（室内植物 177.9 s、191.0 s）才能判定，期间目标仍被视为动态对象，可能造成信息冗余或延迟（第4.2节，表2）。\n- 对“静止不动的人”仍存在风险：虽然初始背景提取用角度标准差区分静止的人，但如果人长时间完全不动且点云特征接近静态物体，仍可能被并入背景；论文未讨论极端静止场景（第2.1节）。\n\n### 4. 优势与劣势（Strengths and weaknesses）\n\n### 优势：\n\n- 提出了一套无需监督学习的轻量级可移动静态物体提取流程，将椅子、白板、桌子、三脚架、室内植物等分别用 ST/SS/PD/VC 四种特征处理，覆盖多种室内物体（第3节，表1）。\n- 实时性较好：通过 10 cm 单元网格和局部背景更新，避免全点云处理，满足 100 ms 传感器周期要求（第1、3.3节）。\n- 实验设计较完整：4 次试验改变物体与传感器距离、方向、遮挡条件，并统计误检数和判定时间（第4.1节，表2）。\n- 在实验中所有可移动静态物体均被重新定义为背景，且所有人员（站立/坐姿）均被正确保留为动态目标，误检为 0/4（第4.2节，表2）。\n\n## 劣势：\n\n- 判定时间差异大：Chair A 仅需 17.8 s，而室内植物需 177.9-191.0 s，难以满足需要快速响应的场景（第4.2节，表2）。\n- 部分物体（Chair B）在 SS 阶段 3/4 次误检，需依赖后续 PD/VC 修正，说明形状特征对复杂几何物体不稳定（第4.2节，表2）。\n- 所有参数均为经验值，缺乏理论推导和跨环境验证；论文仅声称在多个商业建筑中有效，但未给出具体数据（第4.2节）。\n- 实验规模有限：仅 6 种可移动静态物体、2 种人的状态、单传感器（VLP-16）、单环境布局，泛化性证据不足（第4.1节）。\n\n### 5. 下一步研究方向（Next-step research directions）\n\n- 缩短 PD/VC 的判定时间：可探索自适应 t_th 或基于早期决策的置信度累积，避免固定 120 s 等待（第4.2节）。\n- 引入轻量级学习或在线参数自适应：在保持实时性的前提下，用少量标注或自监督方式优化 α、β、γ 等参数，提高对不同物体和环境的鲁棒性（第2.1、3.3节）。\n- 扩展物体类别与多传感器融合：论文仅针对室内常见物体，未来可加入更多非直线形状物体，并考虑多台 LiDAR 协同以缓解遮挡问题（第2.3、4.1节）。\n- 将方法集成到完整服务机器人系统：在 iSpace 未来便利店等真实场景中验证长期运行稳定性，并评估对顾客交互任务的实际提升（第1节，参考文献[^24]）。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n## 模块 F：术语表与概念依赖图\n\n### 术语表（25 条）\n\n1. **3D LiDAR（三维激光雷达）**\n - 定义：通过发射激光束并测量反射时间或相位来获取周围环境三维点云的传感器。\n - 直觉：像快速扫描的激光测距仪，能生成物体表面的“点云”立体图像。\n - 在论文中的作用：全文的核心传感器；用于获取室内环境的 3D 点云，以提取动态对象和构建环境地图。传感器周期为 100 ms，算法需在此时间内完成处理（第 1 节）。\n - 前置知识：激光测距原理、点云坐标表示。\n\n2. **Point cloud（点云）**\n - 定义：由大量三维坐标点组成的集合，用于表示物体表面或环境几何信息。\n - 直觉：用无数小点“撒”在物体表面，形成可计算的立体轮廓。\n - 在论文中的作用：所有处理的对象；通过聚类、体素化、背景差分等操作区分人、可移动静态物体和固定背景。\n - 前置知识：三维坐标、传感器坐标系。\n\n3. **Voxel（体素）**\n - 定义：三维空间中的最小立方体单元，论文中采用 10 cm 或 100 mm 的边长。\n - 直觉：把连续空间切成小方块，每个方块内统计点云信息，降低计算量。\n - 在论文中的作用：用于点云降采样、计算角度标准差、统计体素变化（VC 方法）等。\n - 前置知识：空间网格化、离散化。\n\n4. **Cell（单元格）**\n - 定义：将三维点云投影到 10 cm 见方的二维网格单元，每个 cell 存储该区域点云的最高 z 坐标等信息。\n - 直觉：把点云“压扁”到地面网格上，用网格代表物体位置和高度。\n - 在论文中的作用：环境地图的基本单元；动态对象的高度、中心点、背景更新都以 cell 为单位。\n - 前置知识：投影、栅格地图。\n\n5. **Background subtraction（背景差分）**\n - 定义：将当前点云与预先构建的背景点云做差，差异部分视为动态对象。\n - 直觉：先拍一张“空场景”照片，之后出现的差异就是移动的东西。\n - 在论文中的作用：动态对象提取的基础方法；但无法处理静止的人，因此需要额外算法。\n - 前置知识：图像差分、点云配准。\n\n6. **Initial background（初始背景）**\n - 定义：在系统启动后前 120 秒内，通过累积背景代价判定为静态对象的点云集合。\n - 直觉：先花一段时间“认识”哪些东西是固定不动的，之后才能找出变化。\n - 在论文中的作用：后续动态对象提取的基准；初始背景的准确性直接影响整个系统。\n - 前置知识：背景建模、时间序列累积。\n\n7. **Dynamic object（动态对象）**\n - 定义：在时间序列中位置或状态发生变化的物体，论文中主要指人。\n - 直觉：会动的东西，比如行走、站立、坐下的人。\n - 在论文中的作用：最终需要保留并提取的目标；可移动静态物体被重新定义为背景后，动态对象仅剩人。\n - 前置知识：运动检测、目标跟踪。\n\n8. **Movable static object（可移动静态物体）**\n - 定义：本身不会主动移动，但会被人移动的物体，如椅子、白板、桌子、三脚架、室内植物等。\n - 直觉：平时静止，但可能被搬动；在背景差分中容易被误判为动态对象。\n - 在论文中的作用：需要被识别并重新定义为背景的对象；论文按特征将其分为三类，并设计 ST、SS、PD、VC 四种方法。\n - 前置知识：物体分类、背景更新。\n\n9. **Environmental map（环境地图）**\n - 定义：用 10 cm 单元格集合表示环境布局的地图，记录静态背景和动态对象位置。\n - 直觉：一张“格子纸”，每个格子记录那里有没有东西、最高点有多高。\n - 在论文中的作用：最终输出；用于描述人类步行活动，并支持服务机器人交互。\n - 前置知识：栅格地图、空间表示。\n\n10. **Cluster（点云簇）**\n - 定义：由空间上相邻或属于同一物体的点云组成的集合。\n - 直觉：把点云按“抱团”情况分组，一组通常对应一个物体。\n - 在论文中的作用：初始背景提取和动态对象提取的基本处理单位；每个 cluster 被赋予 ID 并计算背景代价。\n - 前置知识：聚类算法、连通域分析。\n\n11. **Angular standard deviation（角度标准差）**\n - 定义：在一个体素内，各点相对于体素中心点的 xy 平面角度的标准差，记作 σ_θ。\n - 直觉：衡量点云在体素内是否“乱糟糟”地分散；人的点云角度变化大，墙面的点云角度变化小。\n - 在论文中的作用：用于区分静止的人和静态物体，是初始背景提取的核心特征（第 2.1 节）。\n - 前置知识：标准差、三角函数、点云投影。\n\n12. **Background weight（背景权重）**\n - 定义：根据体素角度标准差 σ_θ 设定的权重，σ_θ 在 (0, α1] 或 (β1, ∞) 时为 1.0，在 (α1, β1] 时为 0.0。\n - 直觉：给每个体素打一个“像背景”的分数，1 分表示像背景，0 分表示不像。\n - 在论文中的作用：累积到 cluster 的背景代价中，用于判断该 cluster 是否属于初始背景。\n - 前置知识：阈值判断、加权平均。\n\n13. **Background cost（背景代价）**\n - 定义：一个点云簇在多个时间周期内背景权重的累积值，记作 C_cluster(i)。\n - 直觉：一个物体被“投票”为背景的次数越多，它就越可能是背景。\n - 在论文中的作用：当 C_cluster(i) > C_th（960）时，该簇被判定为静态对象并纳入初始背景。\n - 前置知识：累积和、阈值决策。\n\n14. **Sitting position detection（坐姿检测）**\n - 定义：通过比较动态对象当前高度 h(t,i) 与坐姿高度 h_sit(i) 来判断人是否坐着。\n - 直觉：人站着时高，坐下时矮；用高度阈值判断坐/站状态。\n - 在论文中的作用：ST 方法的基础；用于检测“坐下-站起”状态转换，从而提取椅子等可移动静态物体。\n - 前置知识：人体高度统计、阈值分类。\n\n15. **h_sit(i)（坐姿高度）**\n - 定义：根据日本人的平均坐高（身高的 53%~55%）和人体工学坐高（身高的 25% 减 10 mm）计算出的坐姿高度，公式为 h_sit(i)=0.55h_max(i)+(0.25h_max(i)-10)。\n - 直觉：一个“合理”的坐下时头顶高度，低于它就认为人坐着。\n - 在论文中的作用：用于坐姿检测，并随 h_max(i) 更新而重新计算。\n - 前置知识：人体测量学、简单代数。\n\n16. **Shape score（形状分数）**\n - 定义：基于物体表面线性度 μ 计算的分数 ε = α2(90.0-μ)^2 + β2，用于衡量物体表面是否平直。\n - 直觉：表面越直，μ 越接近 0，分数越高；表面越弯曲，μ 越接近 90°，分数越低。\n - 在论文中的作用：SS 方法的核心；用于区分具有直线表面的可移动静态物体（如白板、桌子）和人。\n - 前置知识：二次函数、几何角度。\n\n17. **Linearity（线性度）**\n - 定义：描述点云簇表面形状平直程度的指标，μ = (Σ|θ_k - θ_{k-1}|)/(M-2)，μ 越接近 0 表示表面越直。\n - 直觉：把物体表面点连起来，如果角度变化很小，说明表面是平的。\n - 在论文中的作用：用于计算形状分数，进而判断物体是否为可移动静态物体。\n - 前置知识：角度计算、序列差分。\n\n18. **Position distribution of highest point（最高点位置分布）**\n - 定义：在一段时间内，动态对象最高点所在 cell 的位置记录及其持续出现时间。\n - 直觉：人站着时头会动，最高点位置变化大；静止物体最高点位置几乎不变。\n - 在论文中的作用：PD 方法的核心；若某个最高点位置持续 t_th 秒不变，则判定为可移动静态物体。\n - 前置知识：时间序列分析、空间直方图。\n\n19. **Voxel change（体素变化）**\n - 定义：动态对象在 t 时刻占用的体素数 V(t,i) 与一段时间内众数 V_mode(i) 的差值的标准差 σ_diff(i)。\n - 直觉：物体“体积”随时间波动的大小；人动来动去体积变化大，静止物体体积稳定。\n - 在论文中的作用：VC 方法的核心；σ_diff < 5.0 判定为可移动静态对象，σ_diff ≥ 6.0 判定为人。\n - 前置知识：标准差、众数、体素计数。\n\n20. **Local background update（局部背景更新）**\n - 定义：将判定为可移动静态对象的区域中的 cell 重新注册为背景，而不影响其他区域。\n - 直觉：只把“被搬动的东西”所在的小块区域更新成背景，其他地方不动。\n - 在论文中的作用：使可移动静态对象不再被当作动态对象，从而只保留人的信息。\n - 前置知识：栅格地图更新、区域选择。\n\n21. **Sensor period（传感器周期）**\n - 定义：3D LiDAR 每帧数据的时间间隔，本文为 100 ms。\n - 直觉：传感器每秒拍 10 次“快照”，算法必须在两次快照之间算完。\n - 在论文中的作用：实时性约束；所有方法都需在 100 ms 内完成，因此采用降采样和局部更新策略。\n - 前置知识：实时系统、帧率。\n\n22. **Occlusion（遮挡）**\n - 定义：物体被其他物体挡住，导致传感器无法获取完整点云。\n - 直觉：人站在桌子后面，下半身被桌子挡住，点云只有上半身。\n - 在论文中的作用：导致初始背景提取不完整（如 No.5 误检）和动态对象点云缺失；VC 方法通过体素化补偿缺失。\n - 前置知识：传感器视场、遮挡几何。\n\n23. **iSpace（智能空间）**\n - 定义：通过分布式传感器和机器人系统构建的智能化环境，用于人机交互和辅助服务。\n - 直觉：一个“有感知”的房间，能知道人在哪里、在做什么。\n - 在论文中的作用：应用背景；本文方法用于 iSpace 未来便利店中顾客交互任务（World Robot Summit 2020）。\n - 前置知识：智能环境、服务机器人。\n\n24. **ST / SS / PD / VC（四种提取方法）**\n - 定义：ST（基于坐姿判定）、SS（基于形状分数）、PD（基于最高点位置分布）、VC（基于体素变化）四种可移动静态物体提取方法。\n - 直觉：四种“筛子”，分别针对椅子、平面物体、静止物体和体积稳定物体。\n - 在论文中的作用：构成完整的可移动静态物体提取流程；不同物体由不同方法处理，最终全部重新定义为背景。\n - 前置知识：多方法融合、决策流程。\n\n25. **Design parameter（设计参数）**\n - 定义：论文中通过经验设定的阈值和系数，如 α1=0.10、β1=0.50、α2=-0.0006、β2=5.0、γ=960、t_th=120 等。\n - 直觉：需要“调”的旋钮，让算法在特定环境下工作得最好。\n - 在论文中的作用：控制背景判定、形状分数、时间窗口等；作者称在多个商业建筑中无需调整即可使用。\n - 前置知识：参数调优、经验方法。\n\n### 概念依赖图（文本形式）\n\n```text\n3D LiDAR 点云\n ├─> 体素化 / 单元格投影\n │ ├─> 角度标准差 σ_θ\n │ │ └─> 背景权重 ω_BG\n │ │ └─> 背景代价 C_cluster\n │ │ └─> 初始背景\n │ └─> 最高点位置 / 体素数\n │ └─> PD / VC 方法\n ├─> 聚类（cluster）\n │ ├─> 背景差分（当前点云 - 初始背景）\n │ │ └─> 动态对象（人 + 可移动静态物体）\n │ │ ├─> ST：坐姿检测 -> 椅子提取\n │ │ ├─> SS：线性度 -> 形状分数 -> 平面物体提取\n │ │ ├─> PD：最高点位置分布 -> 静止物体提取\n │ │ └─> VC：体素变化 -> 体积稳定物体提取\n │ └─> 局部背景更新\n │ └─> 可移动静态物体重新定义为背景\n └─> 环境地图（仅保留人的动态信息）\n\n依赖关系：\n- 角度标准差依赖体素内点云投影和三角函数。\n- 背景代价依赖背景权重的时间累积。\n- 初始背景依赖背景代价阈值 C_th。\n- 动态对象提取依赖初始背景和背景差分。\n- ST 依赖人体坐姿高度 h_sit(i) 和高度阈值。\n- SS 依赖线性度 μ 和形状分数 ε。\n- PD 依赖最高点位置的时间持续性。\n- VC 依赖体素数 V(t,i) 的标准差 σ_diff。\n- 局部背景更新依赖 ST/SS/PD/VC 的判定结果。\n- 环境地图依赖局部背景更新和动态对象跟踪。\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## 模块G：验证与引用核查\n\n### 1. 关键事实主张与验证\n\n以下每项主张均给出论文内至少两个定位来源。\n\n1. **论文发表信息**：论文发表于 *Advanced Robotics*，2022年，第36卷第23期，页码1291–1304，DOI: 10.1080/01691864.2022.2126732。\n - 来源1：论文标题页的 `To cite this article` 行。\n - 来源2：论文页脚版权行 `© 2022 The Author(s). Published by Informa UK Limited, trading as Taylor & Francis Group`。\n - 来源3：DOI链接 ``。\n\n2. **作者与单位**：第一作者 Takumi Nishio 所属单位为 Kawasaki Heavy Industries, Ltd., Hyogo, Japan；第二作者 Mihoko Niitsuma 所属单位为 Chuo University, Department of Precision Mechanics, Tokyo, Japan。\n - 来源1：论文首页作者脚注 a/b。\n - 来源2：文末 `Notes on contributors` 中两位作者的履历描述。\n\n3. **核心方法框架**：论文提出将室内静态物体分为三类，并采用四种可移动静态物体提取方法：ST（坐姿判定）、SS（形状分数）、PD（最高点位置分布）、VC（体素变化）。\n - 来源1：第1节 `Figure 1. Classification of indoor static objects` 及其说明。\n - 来源2：第3节各小节标题（3.2、3.3、3.4.1、3.4.2）。\n - 来源3：第4.1节 `Table 1. Proposed methods to extract movable moving objects`。\n\n4. **初始背景提取参数**：角度标准差阈值 α1=0.10、β1=0.50；背景判定阈值时间 t_th=120 s，背景代价阈值 C_th=960。\n - 来源1：第2.1节公式(2)后的参数说明 `we set α1 = 0.10, β1 = 0.50`。\n - 来源2：第2.1节末尾 `the threshold time t_th = 120, and threshold of the background cost C_th = 960 are used`。\n\n5. **实验设置**：使用 Velodyne VLP-16 3D LiDAR，传感器离地1.8 m，目标物放置在传感器8.0 m范围内；单次采集500 s，共进行4次试验。\n - 来源1：第4.1节 `The 3D LiDAR sensor (vlp-16) was placed 1.8 m above the ground. All the target objects were placed within 8.0 m of the sensor. A total of 500 s of point cloud data were acquired in one trial. We obtained the point cloud data for four trials...`。\n - 来源2：第4.1节对四种试验条件的描述（物体在初始背景定义前后放置、桌子左右两侧等）。\n\n6. **主要实验结果**：所有可移动静态物体均被某种方法重新定义为背景，人员（站立与坐着）在所有试验中均被识别为动态物体。\n - 来源1：第4.2节 `all movable static objects were redefined as background by one of the evaluations, and people were recognized as persons`。\n - 来源2：Table 2 的 `Result` 列（各可移动静态物体最终误检数多为0/4，人员为0/4）。\n - 来源3：第5节结论 `only people were identified as dynamic objects`。\n\n7. **Chair A 的提取时间**：Chair A 通过 ST 方法在17.8 s内被判定为可移动静态物体，且无误检。\n - 来源1：Table 2 中 Chair A 行 `17.8 (ST)` 及 `Result 0/4`。\n - 来源2：第4.2节 `Chair A was extracted as a movable static object in a short time without false detection by detecting the state transition of a person in a sitting/standing position...`。\n\n8. **室内植物的提取**：室内植物通过 PD 方法被提取为可移动静态物体，无误检，但形状判定时间较长（177.9 s 或 191.0 s）。\n - 来源1：Table 2 中 Indoor plant 行 `177.9 (VC, PD) 191.0 (PD)` 及 `Result 0/4`。\n - 来源2：第4.2节 `The houseplant was extracted as a movable static object using PD with no false positives...`。\n\n### 2. 冲突与不确定性说明\n\n1. **参考文献[^23]年份矛盾**：该文献标题为 `2015 IEEE/SICE Int. Symp. on System Integration`，但引用末尾写 `2012. p. 57–62`。会议年份与引用年份不一致，疑为排版或录入错误。\n2. **参考文献[^8]年份矛盾**：该文献会议名称为 `Sixth International Conference on 3-D Digital Imaging and Modeling (3DIM 2007)`，但引用末尾写 `2017. p. 435–442`。3DIM 2007 与 2017 不一致，疑为笔误。\n3. **Table 2 表格结构歧义**：表中 `Desk Camera stand` 行将 `Desk` 和 `Camera stand` 两个对象合并在同一行，且 `False extraction` 列中 SS 为 `0 / 4`，但正文第4.1节将目标对象列为 `desk` 和 `camera tripod`。该行可能因排版合并了两个对象的结果，解读时需结合正文确认。\n4. **设计参数缺乏公开调参过程**：α1、β1、α2、β2、γ、α、β、t_th、l_th 等参数均被描述为 `empirically` 设定（第2.1、3.2、3.3.2、3.4.2节），论文未提供完整搜索或敏感性分析，因此这些参数在不同环境中的泛化性仍需更多数据验证。\n5. **补充材料与代码数据缺失**：论文标注 `View supplementary material`，但未提供具体内容或链接；未提供代码和数据集，无法独立复现实验。\n6. **实验规模有限**：第4节实验仅针对6种可移动静态物体和2种人员状态，每种物体测量4次；样本量较小，统计显著性有限。\n\n### 3. 参考文献列表\n\n以下为论文原文参考文献（按论文出现顺序编号），用于上述验证与引用核查：\n\n1. Shuai L, Li C, Guo X, et al. Motion capture with ellipsoidal skeleton using multiple depth cameras. IEEE Trans. Visual Comput. Graphics. 2017;23(2):1085–1098.\n2. Hasanuzzaman M, Ampornaramveth V, Zhang T, et al. Real-time vision-based gesture recognition for human robot interaction. IEEE International Conference on Robotics and Biomimetics; 2004. p. 413–418.\n3. Jung E, Lee J, Yi B, et al. Development of a laser-range-finder-based human tracking and control algorithm for a marathoner service robot. IEEE/ASME Trans. Mechatron. 2014;19(6):1963.\n4. Xiao J, Quan L. Multiple view semantic segmentation for street view images. In Computer Vision, 2009 IEEE 12th International Conference on. IEEE; 2009. p. 686–693.\n5. Lim E, Suter D. Multi-scale conditional random fields for over-segmented irregular 3D point-clouds classification. 2008 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops; 2008. p. 1–7.\n6. Lim E, Suter D. 3D terrestrial LIDAR classifications with super-voxels and multi-scale conditional random fields. Computer-Aided Design. 2009;41(10):701–710.\n7. Wang Z, Zhang L, Fang T, et al. A multiscale and hierarchical feature extraction method for terrestrial laser scanning point cloud classification. IEEE Trans Geosci Remote Sens. 2015;88(3-4):4839–4854.\n8. Lodha S, Fitzpatrick D, Helmbold D. Aerial lidar data classification using AdaBoost. Sixth International Conference on 3-D Digital Imaging and Modeling (3DIM 2007); 2017. p. 435–442.\n9. Golovinskiy A, Kim V, Funkhouser T. Shape-based recognition of 3D point clouds in urban environments. 2009 IEEE 12th International Conference on Computer Vision; 2009. p. 2154-2161.\n10. Lodha S, Kreps E, Helmbold D, et al. Aerial LiDAR data classification using support vector machines (SVM). Third International Symposium on 3D Data Processing, Visualization, and Transmission (3DPVT'06); 2006. p. 567–574.\n11. Chehata N, Guo L, Mallet C. Airborne lidar feature selection for urban classification using random forests. Int Arch Photogramm Remote Sens Spatial Inf Sci. 2009;38(3):207–212.\n12. Niemeyer J, Rottensteiner F, Soergel U. Conditional random fields for lidar point cloud classification in complex urban areas. ISPRS Ann Photogramm Remote Sens Spatial Inf Sci. 2012;1–3:263–268.\n13. Horn B. Extended Gaussian images. Proc IEEE. 1984;72(12):1671-1686.\n14. Hebert M, Ikeuchi K, Delingette H. A spherical representation for recognition of free-form surfaces. IEEE Trans Pattern Anal Mach Intell. 1995;17(7):681–690.\n15. Weinmann M, Jutzi B, Mallet C. Feature relevance assessment for the semantic interpretation of 3D point cloud data. ISPRS Ann Photogramm Remote Sens Spatial Inf Sci. 2013;II-5/W2:313–318.\n16. Johnson A, Hebert M. Using spin images for efficient object recognition in cluttered 3D scenes. IEEE Trans Pattern Anal Mach Intell. 1999;21(5):433–449.\n17. Caceres J, Slatton K. Improved classification of building infrastructure from airborne lidar data using spin images and fusion with ground-based lidar. Proc Urban Remote Sens Joint Event. 2007: 1–7.\n18. Fang L, Yang B, Chen C, et al. Extraction 3D road boundaries from mobile laser scanning point clouds. 2015 2nd IEEE Int. Conf. on Spatial Data Mining and Geographical Knowledge Services (ICSDM); 2015. p. 102–106.\n19. Zhang Z, Zheng J, Wang X, et al. Background filtering and vehicle detection with roadside lidar based on point association. 2018 37th Chinese Control Conference (CCC); 2018. p.7938–7943.\n20. Lv B, Xu H, Wu J, et al. Raster-based background filtering for roadside LiDAR data. IEEE Access. 2019;7:76779–76788.\n21. Endres F, Plagemann C, Stachniss C, et al. Unsupervised discovery of object classes from range data using latent Dirichlet allocation. Proc Robot Sci Syst. 2009.\n22. Nishio T, Niitsuma M. Environmental map building to describe walking dynamics for determination of spatial feature of walking activity. The 28th IEEE International Symposium on Industrial Electronics; 2019. p. 2515–2520.\n23. Uenoyama N, Niitsuma M. Temporal segmentation of environmental map based on changing rate of activity areas and improvement of tracking method using LRF. 2015 IEEE/SICE Int. Symp. on System Integration; 2012. p. 57–62.\n24. Shiga J, Maruyama G, Kato S, et al. Intelligent space-based future convenience store for customer interaction service with new experience, safety, and flexibility. 2022 IEEE/SICE International Symposium on System Integration; 2022. p. 1064–1071.\n25. e-stat. [cited 2021 Jan 26]. Available from: \n26. modern-deco. [cited 2021 Jan 26]. \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. 全量索引（图/表清单）\n\n| 编号 | 标题/说明 | 类型 | 位置 | 支撑的论点 | 评分(1-5) |\n|---|---|---|---|---|---|\n| 图1 | 室内静态物体分类 | 概念分类图 | 第1节 | 可移动静态物体分为三类，对应ST/SS/PD/VC四种提取方法 | 4 |\n| 图2 | 基于点云高度检测静态物体示例 | 方法示意图 | 第2.1节 | 高于传感器位置的点云簇直接视为静态物体，减少处理量 | 3 |\n| 图3 | 前景提取实验环境：(a)基本布局 (b)点云示例 | 实验环境图 | 第2.2节 | 会议室含墙、桌、静坐的人，用于验证初始背景提取 | 4 |\n| 图4 | 前景与移动物体提取结果：(a)可视化 (b)原始点云 | 结果图 | 第2.3节 | 初始背景差分可提取7人，墙/椅子等为背景；No.5为误检 | 5 |\n| 图5 | 3D LiDAR获取的物体与阴影点云视图 | 现象示意图 | 第3.3节 | 可移动静态物体移动后会在初始背景上产生阴影，用于候选检测 | 4 |\n| 图6 | 人与可移动静态物体的直线度分布：(a)可移动静态物体 (b)人 | 数据分布图 | 第3.3.1节 | 可移动静态物体直线度低且集中，人直线度变化大；支撑形状分数公式 | 5 |\n| 图7 | 设计的实验环境 | 实验环境图 | 第4.1节 | 6种可移动静态物体+2种人，桌子遮挡条件，传感器1.8m，8m内 | 4 |\n| 图8 | Chair A在t=17.9s的环境地图变化 | 结果图/环境地图 | 第4.2节 | ST方法17.8s提取Chair A并局部更新背景 | 5 |\n| 图9 | Chair B在t=178.0s的环境地图变化 | 结果图/环境地图 | 第4.2节 | PD/VC方法约178s提取Chair B并局部更新背景 | 5 |\n| 表1 | 提取可移动移动物体的方法汇总 | 方法汇总表 | 第4.1节 | 四种方法缩写ST/SS/PD/VC对应不同特征 | 4 |\n| 表2 | 基于所提方法的提取结果 | 定量结果表 | 第4.2节 | 各物体误检次数与判定时间；所有可移动静态物体最终被重新定义为背景，人无误检 | 5 |\n\n### 2. 优先精读项（Top-Priority Deep Reads）\n\n1. **图4 + 第2.3节**：理解初始背景提取的判定逻辑和误检来源。图4(a)中No.5因120s内被No.2/3遮挡导致点云不足，成本未达阈值而成为误检；这是理解方法局限性的关键。\n2. **表2 + 第4.2节**：核心定量证据。需逐行分析Chair A/B、White board、Desk、Camera stand、Indoor plant的ST/SS/VC/PD误检次数与判定时间，注意Chair B和Indoor plant需要多阶段处理。\n3. **图8/图9 + 第4.2节**：局部背景更新前后对比。图8(c)/图9(c)中目标物体区域变为黑色，证明可移动静态物体被重新定义为背景，只有人保留为动态物体。\n4. **图6 + 第3.3.1节**：直线度分布如何导出形状分数公式(5)。图6(a)分布集中且接近0，图6(b)分散，支撑ε=α2(90-μ)^2+β2的设计。\n5. **图7 + 第4.1节**：实验设置。需理解传感器1.8m高度、8m范围、桌子左右两侧遮挡条件，以及四种试验中物体放置时机，才能正确解读表2结果。\n\n### 3. 图表关系/实验设置图\n\n```text\n[3D LiDAR VLP-16, 1.8m高] (图7)\n |\n v\n[原始点云] --> 图2: 高度过滤 --> 图3/4: 初始背景提取(120s) --> 背景地图\n |\n v\n[动态物体(人 + 可移动静态物体)]\n |\n v\n[表1四种方法: ST -> SS -> PD/VC] (图5/图6为特征依据)\n |\n v\n[局部背景更新] --> 图8/图9: 环境地图变化\n```\n\n图1给出可移动静态物体的分类，对应表1中的ST/SS/PD/VC；图5和图6支撑SS方法的形状特征；图8和图9展示局部背景更新前后的地图差异。\n\n### 4. 图表到结论的映射\n\n| 图表 | 对应结论 | 依据位置 |\n|---|---|---|\n| 图1 | 可移动静态物体分为三类，分别用ST/SS/PD/VC提取 | 第1节、第3节 |\n| 图2 | 高于传感器高度的点云簇直接作为静态物体，降低计算量 | 第2.1节 |\n| 图3 | 初始背景提取实验场景：墙/桌/静坐人，用于验证 | 第2.2节 |\n| 图4 | 初始背景差分可提取7人，墙/椅子等为背景；No.5误检因遮挡 | 第2.3节 |\n| 图5 | 移动物体在初始背景上产生阴影，用于候选检测 | 第3.3节 |\n| 图6 | 直线度分布区分人与可移动静态物体，支撑形状分数 | 第3.3.1节 |\n| 图7 | 实验环境：6种物体+2种人，桌子遮挡，传感器1.8m，8m内 | 第4.1节 |\n| 图8 | Chair A经ST在17.8s被提取并局部更新背景 | 第4.2节 |\n| 图9 | Chair B经PD/VC约178s被提取并局部更新背景 | 第4.2节 |\n| 表1 | 四种方法缩写与定义 | 第4.1节 |\n| 表2 | 所有可移动静态物体最终被重新定义为背景，人无误检；判定时间差异 | 第4.2节 |" }