{
  "paper_id": "5ffccfecd2754ee617c71128e7026d1f",
  "paper_title": "Advancing Autonomy: LiDAR-Powered Human Detection and Tracking for Safe and Efficient Systems",
  "paper_authors": [
    "Pavan Kumar B N",
    "Chethana B",
    "Bharatesh Chakravarthi",
    "Raju Imandi",
    "Gyanendra Prasad Joshi"
  ],
  "publication_date": "",
  "publication_venue": "2025 3rd International Conference on Mechatronics, Control and Robotics (ICMCR)",
  "abstract": "本研究阐述了一种基于LiDAR的先进框架的开发与实现，用于在自主系统中检测和跟踪人类，显著增强了动态环境中的态势感知。利用高分辨率3D点云数据，该研究引入了一种新颖的算法方法，集成地面平面去除、欧氏和DBSCAN聚类以及主成分分析（PCA），以稳健地识别和跟踪不同条件和遮挡下的人形。该框架通过使用Velodyne HDL-32 LiDAR系统的系列现场测试得到验证，展示了实时人类跟踪在准确性和计算效率上的改进。研究结果强调了LiDAR在增强自动驾驶车辆、机器人和监控系统的安全性与可靠性方面的关键作用，有效管理了真实世界操作环境的复杂性。我们的试点研究为自主导航技术的未来增强提供了可扩展模型。",
  "keywords": [
    "LiDAR",
    "Object Detection",
    "Autonomous Driving",
    "Human Detection"
  ],
  "paper_institutions": [
    "IIIT Sri City",
    "Aptiv",
    "Arizona State University",
    "IIT Sri City",
    "Kangwon National University"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:47:08.112688Z",
  "template_tag": "simple",
  "summary": "### 摘要\n该研究针对自主系统中人类检测与跟踪面临的挑战，如遮挡、环境变化和实时处理等，提出了一种基于LiDAR的先进框架。相较于传统的摄像头、红外和热像方法，LiDAR技术提供高分辨率3D点云数据，能够更稳健地应对复杂场景。该框架通过地面平面去除、欧氏聚类与DBSCAN聚类、以及主成分分析（PCA）进行空间一致性分析，实现了动态目标的准确识别与轨迹跟踪。实验采用Velodyne HDL-32 LiDAR系统进行实地测试，验证了框架在准确性、计算效率和实时性方面的提升，证明了其在提升自动驾驶、机器人和监控系统的情境感知与安全性方面的有效性。未来工作将集成机器学习以进一步提高目标分类能力，并探索更具挑战性的环境验证。核心机制在于利用PCA评估聚类在连续帧中的空间一致性，基于位置变化区分静态与动态目标，从而构建运动轨迹。\n\n### 关键要点\n- 论文提出一种基于LiDAR的框架，通过集成地面去除、聚类和PCA技术，实现动态环境中的人类检测与跟踪。\n- 采用Velodyne HDL-32 LiDAR传感器获取3D点云数据，数据以PCAP格式存储，并利用MATLAB的pointCloud对象进行处理。\n- 地面平面去除使用MATLAB的segmentGroundFromLidarData函数，基于连通分量算法隔离非地面点。\n- 聚类阶段结合欧氏聚类和DBSCAN聚类，分别依据距离和密度形成簇，以应对不同形状和尺寸的目标。\n- PCA用于分析聚类在连续帧中的空间一致性，区分静态与动态簇，实现对移动目标的识别。\n- 系统通过逐帧记录目标位置（如$(x_{n-1}, y_{n-1}, z_{n-1})$到$(x_n, y_n, z_n)$）构建轨迹，用于运动模式分析。\n- 实验将LiDAR安装在地面，模拟自动驾驶和监控系统遇到的真实场景，验证了框架的有效性。\n- 结果表明框架能够准确区分人类与背景，保持实时跟踪，并适应遮挡和杂波等条件。\n- 该研究为初步试点，实验条件相对理想，计划未来在更复杂多变的环境中测试。\n- 未来工作将集成机器学习技术，以更好地区分人类与其他移动物体的类别。\n- 该框架旨在提升自动驾驶车辆、机器人和监控系统的安全性与可靠性，增强态势感知能力。\n- 与传统摄像头或3D LiDAR方法相比，该框架注重成本效益和隐私保护，为可扩展部署提供基础。"
}