{
  "paper_id": "649bb51f6a11ebead5982cbd0dcedbe6",
  "paper_title": "Online learning for 3D LiDAR-based human detection: experimental analysis of point cloud clustering and classification methods",
  "paper_authors": [
    "Zhi Yan",
    "Tom Duckett",
    "Nicola Bellotto"
  ],
  "publication_date": "2019-08-12",
  "publication_venue": "Autonomous Robots",
  "abstract": "This paper presents a system for online learning of human classifiers by mobile service robots using 3D LiDAR sensors, and its experimental evaluation in a large indoor public space. The learning framework requires a minimal set of labelled samples (e.g. one or several samples) to initialise a classifier. The classifier is then retrained iteratively during operation of the robot. New training samples are generated automatically using multi-target tracking and a pair of “experts” to estimate false negatives and false positives. Both classification and tracking utilise an efficient real-time clustering algorithm for segmentation of 3D point cloud data. We also introduce a new feature to improve human classification in sparse, long-range point clouds. We provide an extensive evaluation of our the framework using a 3D LiDAR dataset of people moving in a large indoor public space, which is made available to the research community. The experiments demonstrate the influence of the system components and improved classification of humans compared to the state-of-the-art.",
  "keywords": [
    "Online learning",
    "Human detection",
    "Point cloud segmentation",
    "3D LiDAR-based tracking",
    "Dataset"
  ],
  "paper_institutions": [
    "University of Technology of Belfort-Montbéliard (UTBM)",
    "University of Lincoln"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:47:35.642670Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本文提出并实验评估了一个面向移动服务机器人的、基于3D LiDAR传感器的在线学习人体分类系统。该系统旨在解决传统离线训练需要大量人工标注数据且在新环境中性能下降的问题，其核心框架仅需极少量（如一个或几个）标注样本初始化分类器，随后在机器人运行过程中迭代重训练。新训练样本通过多目标跟踪和一对“专家”模块自动生成，其中P专家将假阴性转化为新的正样本，N专家将假阳性转化为负样本。系统采用一种高效的实时聚类算法对3D点云进行分割，并引入了新的“切片距离”特征以改善远距离稀疏点云下的人体分类。实验在大型室内公共空间采集的3D LiDAR数据集上进行，该数据集已公开。结果显示，与现有方法相比，所提出的自适应聚类算法在精度上显著优于其他方法，同时保持较低计算成本；在线学习的稳定性通过特征值分析得到了保证，且最终在线分类器的性能优于离线训练的分类器。此外，新特征以仅10维的代价大幅提升了分类性能，使系统更适合实时人体检测。未来工作包括将分类器与跟踪器耦合、探索长期自主学习和深度学习方法等。\n\n### 关键要点\n- 该在线学习框架只需极少初始标注样本（如一个），即可通过迭代重训练逐步提升分类器性能，大幅降低人工标注成本。\n- 系统由聚类检测器、多目标跟踪器、人体分类器和训练样本生成器四个模块组成，分类器与跟踪器解耦，使系统模块化且易于扩展。\n- 采用自适应距离阈值进行点云聚类，阈值随扫描距离动态调整（d*=2*r*tan(Θ/2)），并利用嵌套圆环区域降低计算复杂度，时间复杂度为O(log n)。\n- 聚类算法在包含172帧标注的实验中达到89.8%的分割精度，远高于Run聚类（51.7%）、深度聚类（39.2%）和欧氏聚类（64.5%），且运行时性能满足实时要求。\n- 在固定和移动机器人条件下，通过P-N专家自动生成训练样本，采用批增量训练（每积累一定数量正负样本后重训练）而非逐帧更新，有效防止欠拟合。\n- 稳定性分析中，P-N专家的精度均为1.0，召回率大于0，使得误差传递矩阵的特征值均小于1，保证学习过程收敛稳定。\n- 数据集包含28,002帧扫描，其中5,492帧被人工标注，覆盖静止和移动场景，包含行人、儿童、人群、坐姿人员等多挑战情况，传感器为Velodyne VLP-16。\n- 在线分类器经过多轮训练后，在精确率、召回率、平均精度和F值上均优于初始版本，且最终在线分类器优于离线训练的SVM分类器。\n- 在机器人移动情况下，在线学习仍能在噪声中提升分类性能，但受里程计漂移影响，若使用LiDAR odometry或地图定位可进一步改善。\n- 与不同特征集对比，新提出的“切片距离”特征f10（仅10维）使分类器平均精度显著提升，优于使用152维投影平面特征的方法，更适合实时应用。\n- 系统基于ROS实现，软件和数据集均已公开，可扩展用于其他移动目标检测，未来计划将分类器与跟踪器耦合以实现双向增强。"
}