{
  "paper_id": "569ab38f6fec67f38bf6e783dd054d86",
  "paper_title": "Leg Detection for Socially Assistive Robots: Differentiating Multiple Targets with 2D LiDAR",
  "paper_authors": [
    "Hanchen Yao",
    "Jianwei Peng",
    "Zhelin Liao",
    "Ran Zhao",
    "Houde Dai"
  ],
  "publication_date": "",
  "publication_venue": "Cognitive Systems and Information Processing",
  "abstract": "社交辅助机器人在多人行走且存在障碍物的环境中工作时，基于LiDAR的检测器可能难以定位目标人员。2D LiDAR获取的距离数据缺乏身份信息，因此传统基于几何特征聚类2D激光点的方法容易失效。为了实时识别和区分目标个体，本文提出了一种基于密度加权支持向量数据描述（DW-SVDD）的改进腿部检测器。该检测器将密度权重、宽度和周长特征引入支持向量数据描述中，使社交辅助机器人能够从大量2D激光点数据中快速准确地识别目标。为评估检测精度，所提检测器在室内外移动机器人上进行了实验。现场实验结果表明，DW-SVDD腿部检测器能够有效检测部分遮挡和相似障碍物，并实现了34.96%的MOTA和39.17%的MOTP，验证了其在实际应用中的有效性。\n",
  "keywords": [
    "腿部检测",
    "社交辅助机器人",
    "多目标检测"
  ],
  "paper_institutions": [
    "Fujian College, University of Chinese Academy of Sciences",
    "Fujian Institute of Research on the Structure of Matter, Chinese Academy of Sciences",
    "Quanzhou Institute of Equipment Manufacturing, Haixi Institutes, Chinese Academy of Sciences",
    "Zhongyuan-Petersburg Aviation College, Zhongyuan University of Technology"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "deepseek-v4-flash",
  "prompt_template": "simple",
  "extracted_at": "2026-08-18T10:30:46.141912Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\n本文针对社交辅助机器人在多人拥挤环境中使用2D LiDAR进行目标人腿检测时，因2D距离数据缺乏身份信息而容易受遮挡和相似障碍物干扰的问题，提出了一种基于密度加权支持向量数据描述（DW-SVDD）的改进腿部检测器。与依赖几何特征聚类的传统方法及标准SVDD相比，该方法将k近邻距离定义的密度权重 ρ(x_i)=1−d(x_i,x_i^k)/d(x_j,x_j^k) 与腿部的周长 G_i、宽度 W_i 特征共同引入SVDD优化目标，通过最小化包含密度权重的超球体损失函数来学习紧致的数据描述，从而将2D激光点转换为3D密度关系，提升对部分遮挡和相似障碍物的区分能力。实验在自采的OpenField（户外，5人，无障碍物）和MessyIndoor（室内，5人，5个障碍物）数据集上，使用搭载R2000 LiDAR的两轮移动机器人进行实时验证；结果表明DW-SVDD的AUC达73.41%，高于SVDD的60.36%，在CLEAR MOT指标上MOTA为34.96%、MOTP为39.17%，优于对比的LegDetector和SVDD，且单次运行约47.0 ms，适合低功耗嵌入式平台。进一步工作将探索传感器融合与轻量级神经网络检测器，以解决长裙目标、远处激光点噪声和完全遮挡等实际应用中的限制。\n\n### 关键要点\n\n- 社交辅助机器人在医院、超市、餐厅、仓库等拥挤场景中需要无需可穿戴设备地识别交互目标，但2D LiDAR数据缺乏身份信息，传统基于几何聚类的腿部检测器容易产生误检。\n- 与腰部检测和肩部检测相比，腿部检测无需根据身高调整测量范围，且能在较低高度同时检测人腿和障碍物，因此更适合移动机器人。\n- 标准SVDD腿部检测器过度依赖腿部几何特征，在目标被完全遮挡、部分遮挡或与干扰目标距离过近时，容易丢失或错误聚类腿部信息。\n- DW-SVDD通过k近邻距离计算密度权重 ρ(x_i)=1−d(x_i,x_i^k)/d(x_j,x_j^k)，使数据描述偏向高密度区域，从而更好地区分紧密相邻的激光点序列。\n- 检测器将密度权重、腿部周长 G_i 和宽度 W_i 作为特征输入SVDD，通过最小化 R^2+C∑ρ(x_i)F(x_i)ξ_i 来求解最优超球体，并用支持向量确定球心c和半径R。\n- 自采数据集包括OpenField（户外，46.2秒，5人，0个障碍物）和MessyIndoor（室内，38.2秒，5人，5个障碍物），用于验证真实多人和杂乱环境下的检测性能。\n- 在3200个激光数据样本上，DW-SVDD的AUC为73.41%，高于SVDD的60.36%，平均丢失点从15降至6，距离-半径方差从19.21降至12.30。\n- 在真实两轮移动机器人平台上，DW-SVDD能实时区分部分遮挡场景中的两个目标，也能在相似圆柱形障碍物旁正确识别目标人腿，但完全遮挡时无法检测。\n- 在CLEAR MOT多目标跟踪评估中，DW-SVDD的MOTA为34.96%、MOTP为39.17%，优于LegDetector（18.70%/26.97%）和SVDD（27.41%/37.02%）。\n- DW-SVDD单次运行时间约47.0 ms，比SVDD的41.2 ms略高，但仍满足实时要求，且k-NN算法简单直观，可部署到低成本嵌入式系统。\n- 当前检测器仍存在局限：会因远处激光点噪声而误检相似障碍物，且无法检测穿长裙的目标；未来计划采用高性能控制器、传感器融合和轻量级神经网络检测器。"
}