{
  "paper_id": "6511aa126e1a2f3c0cdcdef121725327",
  "paper_title": "Stationary Human Detection Method Using 2D LiDAR",
  "paper_authors": [
    "Haruki Mochizuki",
    "Ryozo Kiyohara"
  ],
  "publication_date": "",
  "publication_venue": "2024 IEEE 48th Annual Computers, Software, and Applications Conference (COMPSAC)",
  "abstract": "Since the COVID-19 pandemic, Japanese industry has been facing a labor shortage in various fields. In particular, the security sector is experiencing a serious labor shortage problem. University security operations are also being affected by the lack of security guards. On the other hand, robot technology is developing and it is becoming possible to perform not only simple tasks but also tasks that involve interaction with humans. In particular, robots are expected to be introduced in patrol security, which requires a large number of personnel, as much of the work involves confirming that there are no problems. A security guard should go there only if it cannot be confirmed that there is no problem. Therefore, the accuracy of confirmation and the cost of introducing and operation become issues. The technologies for recognizing human using cameras mounted on 3D-LiDAR (Light Detection And Raging) on robots has been established. However, how to use it in a dark place and recognition technology by the low-cost 2D-LiDAR have not been established. In this paper, we propose a human recognition method using 2D-LiDAR that extends the technologies of previous research, and present the results of our evaluation.\n",
  "keywords": [
    "Human recognition",
    "LiDAR",
    "Robot",
    "Security Guard"
  ],
  "paper_institutions": [
    "Graduate School of Kanagawa Institute of Technology",
    "Kanagawa Institute of Technology"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "deepseek-v4-flash",
  "prompt_template": "simple",
  "extracted_at": "2026-08-18T10:30:17.375054Z",
  "template_tag": "deep_read",
  "summary": "# Stationary Human Detection Method Using 2D LiDAR\n\n\n**作者 / Authors:** Haruki Mochizuki, Ryozo Kiyohara\n\n\n**单位 / Institutions:** Graduate School of Kanagawa Institute of Technology, Kanagawa Institute of Technology\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n[Paper metadata]\n\n- 标题：Stationary Human Detection Method Using 2D LiDAR\n- 作者：\n  - Haruki Mochizuki（神奈川工科大学研究生院，Atsugi, Japan；未提供更多背景）\n  - Ryozo Kiyohara（神奈川工科大学，Atsugi, Japan；未提供更多背景）\n- 发表出处：文档未明确标注会议/期刊名称、年份与级别；从格式看为IEEE会议论文风格。\n\n[Research positioning]\n\n- 研究领域：机器人巡逻安防、2D-LiDAR人体识别、点云分类\n- 具体任务：利用两个2D-LiDAR（安装高度95cm和40cm）采集静止人体的点云，通过PointNet分类，实现与角度和距离无关的静止人体检测\n- 目标用户/应用场景：大学校园夜间巡逻机器人；用于发现徘徊者/可疑人员，减少保安巡逻负担\n\n[Input material checklist]\n\n- PDF：是（提供的文档内容）\n- 附录/补充材料：无\n- 代码链接：无\n- 数据集链接：无\n\n[Missing materials and risks]\n\n- 缺失项：论文发表的会议/期刊名称、年份、页码/DOI；实验原始数据与代码；PointNet训练细节（超参数、数据增强等）；图表原始图片\n- 可能影响：无法准确引用与复现；难以评估实验的统计显著性与泛化性；无法验证PointNet实现细节\n\n[Reading route]\n\n- Step 1: 先读摘要、引言、结论，明确问题与主要贡献（第I节、第VII节）\n- Step 2: 阅读第II-III节，理解LiDAR选型与机器人巡逻场景约束\n- Step 3: 精读第V节方法，记录两个LiDAR高度、PointNet分类流程与角度对称性假设\n- Step 4: 阅读第VI节实验，核对表3-8的F值，评估不同手臂位置、角度、距离下的表现\n- Step 5: 结合参考文献[^7][^8]对比先前工作，判断增量贡献与局限性\n\n[分类理由]\n\n- 论文提出一种基于2D-LiDAR和PointNet的静止人体识别方法，核心贡献是新的识别流程/算法，而非综述或完整系统部署，因此归类为 method。\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[Paper type and category]\n\n- 类型：方法类论文（method），提出一种基于双2D-LiDAR与PointNet的静止人体识别方法。\n- 范畴：机器人巡逻安防、2D-LiDAR点云分类、人体检测；属于应用型方法研究，而非综述或系统部署报告。\n\n[Context and research background]\n\n- 背景：日本安保行业劳动力短缺（摘要、第I节），大学夜间巡逻需要减少保安负担。\n- 现有技术：相机+3D-LiDAR人体识别已较成熟，但暗处和低成本2D-LiDAR识别尚未确立（第I节）。\n- 前期工作：作者团队已有基于2D-LiDAR的人体检测研究[^7][^8]，但要求从正前方识别；本文扩展为与角度无关的识别（第IV节）。\n- 应用场景：KAIT校园夜间巡逻，机器人日间配送/引导、夜间巡逻（第III节）。\n\n[Intuitive correctness check]\n\n- 关键假设1：两个2D-LiDAR分别安装在95cm和40cm高度，可捕获躯干/手臂与腿部特征（第V节）。合理性：对应135-175cm人群的腰部和腿部，几何上可行，但未给出传感器垂直波束宽度等细节。\n- 关键假设2：人体点云在0°与180°等对称方向上形状相同，因此只需学习0°-180°（第V节）。合理性：人体左右对称性使该假设在直立静止时近似成立，但手臂不对称姿态可能破坏对称性。\n- 关键假设3：PointNet可从少量2D-LiDAR点云（附加z高度）中分类人体与树木（第V-VI节）。合理性：PointNet适合无序点云，但2D-LiDAR点云稀疏，需实验验证。\n- 总体判断：假设在受控场景下基本合理，但泛化性（非直立、遮挡、动态）存疑。\n\n[Core contributions]\n\n1) 提出一种使用两个低成本2D-LiDAR（95cm/40cm）进行静止人体检测的方法，将2D点云附加高度作为3D点云输入PointNet（第V节、第VI节）。\n2) 利用人体点云在0°-180°的对称性，仅学习正面和侧面两个方向即可识别多种角度（第V节、第VI-B节）。\n3) 实验验证了不同手臂位置、不同角度（0°-180°）和不同距离（1-5m）下的识别F值，多数接近1.0（表3-8）。\n4) 面向校园巡逻机器人场景，提出“机器人采集+服务器PointNet分类+通知保安”的流程（第V节、Fig.7）。\n\n[Clarity assessment]\n\n- 结构：IMRaD结构完整，章节划分清楚（I-VII），但第IV节标题拼写“RERALATED”有误，第VII节“CoCLUSION”拼写有误。\n- 图表：Fig.1-7和表1-8基本支撑论述；但图1-7为嵌入图片，无法从文本中验证细节。\n- 公式/方法：未给出PointNet训练超参数、数据增强、背景减除算法等关键细节，可复现性不足。\n- 可读性：英文表达有较多语法/拼写问题，但不影响核心方法理解。\n\n[Continue-or-stop recommendation]\n\n- 建议：继续进入第二遍（Module D）和第三遍（Module E）精读。\n- 理由：方法核心简洁，实验设计覆盖角度/距离/手臂位置，但缺少实现细节和统计显著性；需要进一步拆解PointNet流程、表3-8的F值变化原因，并评估实际部署风险。\n\n[Structural outline diagram]\n\n```markmap\n# Paper Overview\n## Introduction\n- Labor shortage in security\n- Need for patrol robots\n- Limitations of camera/3D-LiDAR\n## LiDAR\n- 3D vs 2D point cloud\n- Why 2D-LiDAR\n## Robots as Security Guard\n- KAIT campus patrol\n- Current patrol issues\n- Robot sensors and communication\n## Related and Previous Studies\n- Camera/3D-LiDAR human detection\n- Previous 2D-LiDAR methods [7][8]\n## Proposed Method\n- LiDAR heights: 95cm, 40cm\n- Symmetry assumption 0-180°\n- PointNet classification flow\n## Experiment\n- Arm position accuracy (Table 3)\n- Angle accuracy (Table 4)\n- Distance accuracy (Tables 5-8)\n## Conclusion\n- Summary and future work\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**一句话问题定义**：在安保人力短缺的背景下，论文试图解决巡逻机器人使用低成本2D-LiDAR在夜间/暗处对静止人体进行与角度、距离无关的可靠识别问题（摘要；第I节；第V节）。\n\n**痛点/不足**：\n\n- 日本安保行业劳动力严重短缺，大学安保巡逻人力不足，需要机器人替代部分巡逻确认工作（第I节）。\n- 摄像头依赖光源，夜间/暗处难以用低成本相机检测人体；热成像在热源附近难以区分人体（第II节）。\n- 3D-LiDAR点云数据量过大、计算成本高，且设备成本高；已有2D-LiDAR人体识别方法存在条件限制和精度问题（第II节、第IV节）。\n- 先前研究[^7][^8]要求从人体正前方识别，无法处理机器人相对人体任意角度（0°-360°）获取点云的情况（第IV节、第V节）。\n\n**形式化目标/优化目标**：\n\n- 论文未给出显式数学优化目标；其工程目标是：利用安装在95cm和40cm高度的两个2D-LiDAR获取点云，将2D坐标附加实际高度作为z坐标构造3D点云，用PointNet分类器将点云分类为“人”或“树/障碍物”，从而在任意朝向和1m-5m距离下识别静止人体（第V节、第VI节）。\n- 隐含优化目标：在仅学习正面和侧面两个方向的前提下，最大化各角度、各距离下的人体识别F值，同时最小化计算成本与传感器成本（第V节、第VI节）。\n\n**成功标准（指标/期望性质）**：\n\n- 识别精度：以Recall、Precision、F值为指标；实验要求各角度、各距离下F值接近1（表3-表8）。\n- 角度泛化：仅训练0°（正面）和90°（侧面）两个方向，即可在0°-180°范围内各角度（每10°测试）获得高F值（第VI-B节，表4）。\n- 距离泛化：在1m-5m范围内，对正面、45°对角、90°侧面均能获得接近1的F值（第VI-C节，表5-8）。\n- 实际部署性质：低计算成本、低传感器成本，适用于夜间巡逻，并能与安保人员联动（第II节、第V节、Fig.7）。\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. 最强基线及比较轴\n\n- **最强基线**：论文在相关工作部分（第IV节）列出两类已建立的人体识别技术：\n  - 基于3D-LiDAR的行人识别，如 [^4] 使用SVM进行行人识别，以及 [^5] 将3D LiDAR当作多个2D-LiDAR使用、在多个高度采集点云并达到最高96%的分类率（第IV节）。\n  - 基于相机的行人/人脸/动作识别，如 [^3] 的单目行人检测综述、[^10] 的人脸识别综述、[^11] 的人体动作识别综述。\n- **比较轴**：论文隐含的比较轴是“传感器成本与计算成本 vs. 识别精度与角度鲁棒性”。作者认为3D-LiDAR点云数据量过大、计算成本高（第II节、第IV节），而相机在夜间或明暗混合场景下不可靠（第II节、第IV节）。因此本文的定位是：用低成本2D-LiDAR在低光照/夜间场景下实现足够高精度的静止人体识别，并摆脱对正前方角度的依赖。\n- **注意**：论文在第VI节只报告了自身方法的F值，没有与上述基线进行同条件下的定量对比实验，因此“最强基线”更多是问题定义层面的参照，而非实验对照。\n\n## 2. 最接近的方法及关键差异\n\n- **最接近的方法**：作者自己的前期工作 [^7] 和 [^8]。\n  - [^7]：基于低分辨率2D-LiDAR和PointNet自编码器的人体检测，LiDAR高度为90cm（大致腰高），可检测5m内的人体（第IV节）。\n  - [^8]：使用多个2D-LiDAR的站立人体识别方法（第IV节）。\n- **关键差异**：\n  - 论文明确指出 [^7][^8] 都要求从正前方（exact front）识别（第IV节）。\n  - 本文提出使用两个2D-LiDAR，安装高度为95cm和40cm（第V节），并利用“人体点云在0°与180°、45°与225°等对称方向上形状相同”的假设，只采集0°到180°的点云（第V节）。\n  - 通过只学习正面和侧面两个方向，即可推广到其他角度（第V节、第VI节B），从而解决角度依赖问题。\n- **另一个接近的方法**：[^5] 将3D LiDAR当作多个2D-LiDAR使用，在概念上与“多高度2D点云”相近；但 [^5] 仍依赖3D LiDAR获取多高度数据，而本文直接使用两个独立的低成本2D-LiDAR，进一步降低计算和硬件成本（第IV节）。\n\n## 3. 正交方向\n\n- **基于相机的视觉方法**：\n  - [^3] 单目行人检测综述、[^10] 人脸识别、[^11] 人体动作识别。这些方法依赖可见光图像，在夜间或光照不足场景下受限（第II节、第IV节），与本文的LiDAR路线正交。\n- **3D点云通用处理方法**：\n  - [^9] 讨论3D点云数据的获取与处理计算方法，属于底层技术，不是直接竞争方法。\n  - [^12] PointNet是本文分类所用的骨干网络（第V节），属于使能技术而非对比方法。\n- **应用场景相关但非识别方法**：\n  - [^1] 日本劳动力市场、[^2] 餐厅服务机器人，属于背景与动机支撑，不参与技术对比。\n\n## 4. 一句话定位\n\n本文在“低成本2D-LiDAR + PointNet”路线上，将作者前期只能从正前方识别的2D-LiDAR人体检测方法扩展为“学习正面和侧面两个方向即可识别任意角度静止人体”的巡逻机器人应用方法，以适配夜间校园安保场景。\n\n## 5. 按 Method -> core idea -> limitation 梳理\n\n- **[^4] 3D-LiDAR行人识别（SVM）**\n  - Method：使用3D-LiDAR点云和SVM进行行人识别与跟踪。\n  - Core idea：利用3D点云的完整空间信息区分行人。\n  - Limitation：依赖3D-LiDAR，点云量大、计算成本高，不适合低成本巡逻机器人（第II节、第IV节）。\n\n- **[^5] Layered approach to people detection in 3D range data**\n  - Method：将3D LiDAR数据按高度分层，当作多个2D-LiDAR处理。\n  - Core idea：多高度切片可捕捉人体不同部位特征，最高分类率达96%（第IV节）。\n  - Limitation：仍基于3D LiDAR，需要强大CPU处理大量点云（第IV节）。\n\n- **[^6] Head-to-shoulder signature for person recognition**\n  - Method：利用头肩部特征进行行人识别。\n  - Core idea：头肩形状是稳定的生物特征。\n  - Limitation：本文关注的是躯干、手臂和腿的形状，而非头肩；且本文使用2D-LiDAR在95cm和40cm高度采集，不覆盖头部（第V节）。\n\n- **[^7] 前期工作：2D-LiDAR人体检测**\n  - Method：低分辨率2D-LiDAR在90cm高度采集点云，用PointNet自编码器分类。\n  - Core idea：腰高处的2D点云足以区分人体。\n  - Limitation：只能从正前方识别，且检测距离限制在5m内（第IV节）。\n\n- **[^8] 前期工作：多2D-LiDAR站立人体检测**\n  - Method：使用多个2D-LiDAR进行站立人体识别。\n  - Core idea：多高度2D点云可提高人体识别鲁棒性。\n  - Limitation：仍要求从正前方识别（第IV节）。\n\n- **[^12] PointNet**\n  - Method：对点云进行压缩、恢复和特征提取，用于分类/分割。\n  - Core idea：直接处理无序点云并提取全局特征。\n  - Limitation：作为本文分类工具，需要预先监督学习；本文仅学习正面和侧面两个方向，对未学习姿态（如非直立状态）可能误识别（第V节、第VII节）。\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## 核心机制概述\n\n本文提出一种基于两个2D-LiDAR与PointNet的静止人体识别方法，用于夜间校园巡逻机器人。核心思路是：\n\n- 在机器人上以**95cm**和**40cm**两个高度安装2D-LiDAR（第V节、第VI节），分别对应人体躯干/腰部与小腿/腿部特征，以覆盖135–175cm身高人群（Table 1）。\n- 利用2D-LiDAR点云数据量小、成本低的特点，将2D坐标与安装高度作为z坐标合并为3D点云，再交给PointNet分类（第VI节）。\n- 利用人体点云在0°与180°、45°与225°、90°与270°等方向上的形状对称性，只需学习**正面**和**侧面**两个方向，即可识别0°–180°（进而全360°）范围内的多种朝向（第V节、Fig. 5/6）。\n- 系统流程为：机器人巡逻采集 → 背景差分 → 无线传输到服务器 → PointNet分类 → 若判定为人则通知保安（Fig. 7）。\n\n## 逐步分解\n\n1. **LiDAR高度选择**：根据日本老年人身高统计（Table 1），将两个2D-LiDAR分别安装在95cm和40cm高度，以获取躯干/腰部和腿部/胫部的几何特征（第V节）。\n2. **数据采集**：使用RPLiDAR A1M8（360°视场、6m半径、6–8r/s，Table 2），在1m到5m范围内以1m间隔采集点云（第VI节）。\n3. **背景差分**：机器人端对采集到的点云做背景差分，提取行人、树木等障碍物点云（Fig. 7）。\n4. **生成3D点云**：由于2D-LiDAR只有x、y坐标，将两个LiDAR的实际安装高度95cm和40cm作为z坐标，构造3D点云输入（第VI节）。\n5. **PointNet训练**：使用MATLAB的“Classify pointclouds using PointNet”工具，以正面、侧面人体点云和树木点云作为训练数据（各150个，共300个，训练100次），进行监督学习（第VI节A/B）。\n6. **服务器端分类**：机器人将提取的障碍物点云通过无线网络发送至服务器，服务器用训练好的PointNet压缩/恢复点云并提取特征，分类为“人”或“树/障碍物”（Fig. 7）。\n7. **告警与跟踪**：若识别为人，通知保安前往现场，机器人继续跟踪该人（Fig. 7）。\n\n## 关键公式与模块作用\n\n- **z坐标构造**：\n  \\[\n  p_i = (x_i, y_i, z_{\\text{LiDAR}}), \\quad z_{\\text{LiDAR}} \\in \\{95\\,\\text{cm}, 40\\,\\text{cm}\\}\n  \\]\n  其中 \\((x_i, y_i)\\) 为2D-LiDAR测得的平面坐标，\\(z_{\\text{LiDAR}}\\) 为对应LiDAR的安装高度（第VI节）。\n- **PointNet模块**：对输入点云进行压缩（编码）与恢复（解码），提取用于分类的全局特征；其作用是将不同数量、不同朝向的点云映射为固定维度的特征向量，再经分类器输出类别（第V节、第VI节）。\n- **F值（F1-score）**：实验采用Recall、Precision和F值评估，F值为精确率与召回率的调和平均：\n  \\[\n  F = \\frac{2 \\times \\text{Precision} \\times \\text{Recall}}{\\text{Precision} + \\text{Recall}}\n  \\]\n  用于衡量人体识别准确率（Table 3–8）。\n- **角度对称性假设**：人体点云在相差180°的方向上形状相同，因此只需覆盖0°–180°的点云即可推广到全方向（第V节）。\n\n## 过程图\n\n```mermaid\nflowchart TD\n  A[\"训练阶段: 采集正面/侧面人体与树木点云\"] --> B[\"预处理: 背景差分 + z坐标(95/40)\"]\n  B --> C[\"PointNet监督学习(100次迭代)\"]\n  C --> D[\"训练好的分类模型\"]\n  E[\"推理阶段: 机器人巡逻采集点云\"] --> F[\"背景差分提取障碍物\"]\n  F --> G[\"附加z坐标生成3D点云\"]\n  G --> H[\"无线传输到服务器\"]\n  H --> I[\"PointNet特征提取与分类\"]\n  I --> J{\"是否为人?\"}\n  J -->|是| K[\"通知保安并跟踪\"]\n  J -->|否| L[\"继续巡逻\"]\n  D -.-> I\n```\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- 论文未使用公开基准数据集，也未提供可下载的数据集或代码链接；实验数据为作者自行采集的2D-LiDAR点云数据（第VI节）。\n- 数据采集设备：两个RPLiDAR A1M8 2D-LiDAR，分别安装在95cm和40cm高度（第V节、第VI节；Table 2给出规格：6m半径、360°视角、6-8r/s）。\n- 数据场景：大学校园（KAIT campus）环境，目标为静止人体，负样本为树木（第VI节）。\n- 数据规模：每个条件下准备150份点云数据（每次2D-LiDAR旋转一圈作为一份数据）；训练时正面、侧面人体各150份，树木150份，共300份（第VI节B、C）。\n- 覆盖范围：\n  - 角度：0°到180°，每10°测试（Table 4）；训练仅用正面（0°）和侧面（90°）两个方向。\n  - 距离：1m到5m，以1m为间隔（第VI节C；Tables 5-8）。\n  - 手臂姿态：手臂下垂、手臂举起、手臂在胸前交叉、手臂在背后交叉（第VI节A；Table 3）。\n\n#### 2. 预处理与划分/覆盖设置\n\n- 预处理流程：机器人采集周围点云后，先进行背景差分（background subtraction）提取障碍物点云，再通过无线网络发送到服务器（第V节，Fig. 7）。\n- 坐标构造：2D-LiDAR只能获取x、y坐标；输入PointNet时，将实际安装高度95cm和40cm作为z坐标，从而构造3D点云数据（第VI节）。\n- 训练/测试划分：训练数据与测试数据分离；测试数据使用与训练数据不同的点云样本（第VI节B、C）。\n- 训练数据：正面和侧面人体各150份，树木150份，共300份；学习次数（epoch）为100（第VI节B、C）。\n- 测试数据：\n  - 角度实验：每个角度（0°到180°，每10°）150份人体数据作为正样本，另准备与训练数据不同的树木数据作为负样本（第VI节B）。\n  - 距离实验：1m到5m，每1m间隔，分别测试正面（0°）、对角线（45°）、侧面（90°）三个方向；正负样本距离保持一致（第VI节C）。\n  - 手臂姿态实验：每种手臂姿态150份人体数据，并准备相似数量的树木数据作为负样本（第VI节A）。\n\n#### 3. 训练/推理/评估环境\n\n- 训练/分类方法：使用MATLAB库中发布的“Classify point clouds using PointNet”进行点云压缩、恢复和特征提取，再分类为“人”或“树”（第V节、第VI节）。\n- 学习方式：PointNet分类为监督学习，需预先学习人体和树木点云（第V节）。\n- 推理架构：机器人端配备LiDAR和计算机，负责采集与背景差分；服务器端运行PointNet进行人体/障碍物分类；若识别为人，则通知保安（第V节，Fig. 7）。\n- 评估指标：Recall、Precision、F值（F value），结果见Table 3-8。\n- 评估结果摘要：\n  - 手臂姿态：四种姿态下F值均为1.00（Table 3），说明手臂位置对识别无显著影响。\n  - 角度：0°、30°、45°、60°、180°的F值为1.00；90°为0.99，120°为0.97，150°为0.95（Table 4），整体接近1。\n  - 距离：正面（0°）在1-3m、5m的F值接近1，4m为0.89（Table 5）；对角线（45°）在1-3m、5m接近1，4m为0.92（Table 7）；侧面（90°）在1m为1.00，2-3m为0.99，4m为0.82，5m为0.99（Table 8）。\n\n#### 4. 这些选择的意义与验证内容\n\n- 使用两个2D-LiDAR（95cm和40cm）而非3D-LiDAR：目的是降低计算成本和传感器成本，同时利用人体躯干、手臂和腿部的形状特征；高度选择基于日本老年人身高统计（Table 1），以覆盖135-175cm人群（第V节）。\n- 只学习正面和侧面两个方向：利用人体点云在0°与180°、45°与225°等对称方向形状相同的假设，验证仅用两个方向训练即可泛化到0°-180°内多个角度（第V节、第VI节B）。\n- 距离覆盖1m到5m：对应RPLiDAR A1M8最大测量距离6m，实际测量范围设为5m；验证方法在LiDAR有效测距范围内的距离鲁棒性（第VI节C）。\n- 树木作为负样本：对应校园巡逻场景中的常见障碍物，验证方法能将人与非人障碍物区分开（第V节、第VI节）。\n- 这些实验共同验证了：在低成本的2D-LiDAR配置下，仅用少量角度训练即可对静止人体实现角度无关、距离鲁棒、手臂姿态无关的识别，适用于夜间或光照不足的校园巡逻场景（第VI节、第VII节）。\n\n#### 5. 局限与缺失信息\n\n- 未提供公开数据集、代码或详细超参数（如PointNet网络结构、优化器、学习率、数据增强等），难以独立复现。\n- 未说明训练/测试数据是否来自同一批受试者或不同受试者，也未报告多次重复实验的统计波动。\n- 负样本仅使用树木，未覆盖其他校园障碍物（如长椅、垃圾桶等），泛化性证据有限。\n- 实验仅针对静止站立的人；论文结论部分也指出，若目标不是直立状态（如倒地者），可能存在误识别，需进一步验证（第VII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- **Recall（召回率）**：正确识别为人的样本数占实际人类样本数的比例，衡量漏检程度。\n- **Precision（精确率）**：被识别为人的样本中真正为人的比例，衡量误检程度。\n- **F（F值）**：召回率与精确率的综合指标，通常为二者的调和平均，即 F = 2 × Precision × Recall / (Precision + Recall)。论文中直接以 F 值作为主要评价指标，数值越接近 1 表示识别性能越好。\n- 实验使用二分类：人类（正类）与树木（负类），负类用于模拟校园环境中的非人障碍物。\n\n### 2. 主要结果\n\n- **手臂位置实验（Table 3）**：在正面朝向、距离约 2 m 条件下，测试四种手臂姿态——手臂下垂、手臂上举、手臂胸前交叉、手臂背后交叉。四种姿态的 Recall、Precision、F 值均为 1.00。论文据此认为手臂位置对方法的人体识别准确率没有影响。\n- **角度实验（Table 4）**：训练数据为正面（0°）和侧面（90°）两个方向的人体点云，以及树木点云；测试数据为 0° 到 180° 每隔 10° 的人体点云。结果显示：\n  - 0°、30°、45°、60°、180°：F = 1.00（Recall = 1.00，Precision = 1.00）；\n  - 90°：F = 0.99（Recall = 0.98，Precision = 1.00）；\n  - 120°：F = 0.97（Recall = 0.93，Precision = 1.00）；\n  - 150°：F = 0.95（Recall = 0.91，Precision = 1.00）。\n  - 论文指出 90°、120°、150° 的 F 值略有下降，但都接近 1，认为通过仅学习正面和侧面两个方向即可在多种朝向下获得足够高的识别精度。\n- **距离实验（Table 5、Table 7、Table 8）**：训练数据为 2 m 距离的正面和侧面人体点云及树木点云；测试距离为 1 m 到 5 m，间隔 1 m，分别测试 0°、45°、90° 三个朝向。\n  - 0°（Table 5）：1 m、2 m、3 m 的 F = 1.00；4 m 的 F = 0.89（Recall = 0.93，Precision = 0.85）；5 m 的 F = 0.99（Recall = 1.00，Precision = 0.98）。\n  - 45°（Table 7）：1 m、2 m、3 m 的 F = 1.00；4 m 的 F = 0.92（Recall = 0.98，Precision = 0.86）；5 m 的 F = 0.99（Recall = 1.00，Precision = 0.98）。\n  - 90°（Table 8）：1 m 的 F = 1.00；2 m 和 3 m 的 F = 0.99（Recall = 0.98，Precision = 1.00）；4 m 的 F = 0.82（Recall = 0.81，Precision = 0.83）；5 m 的 F = 0.99（Recall = 1.00，Precision = 0.98）。\n  - 整体上，除 4 m 处 F 值有所下降外，其余距离均接近 1。论文认为在 LiDAR 测量范围 1 m 至 5 m 内，未学习过的朝向也能达到与学习朝向相近的识别精度。\n- 注意：正文提到 Table 5、6、7 分别对应正面、斜向、侧面，但文档实际给出的是 Table 5（0°）、Table 7（45°）、Table 8（90°），缺少编号为 Table 6 的表格，存在编号不一致或排版遗漏。\n\n### 3. 与基线或先前工作的比较\n\n- 论文未在实验中设置直接对比的基线方法，也没有与先前方法在同一数据集上的定量对比表。\n- 与自身先前工作的定性比较：\n  - 先前研究 [^7] 使用低分辨率 2D-LiDAR 在 90 cm 高度采集人体点云，并基于 PointNet 自编码器进行检测，能在 5 m 内检测到人，但要求从正前方识别。\n  - 先前研究 [^8] 使用多个 2D-LiDAR 进行人体识别，同样要求从正前方识别。\n  - 本文的改进是使用 95 cm 和 40 cm 两个高度的 2D-LiDAR，并学习正面和侧面两个方向，从而实现对 0° 到 180° 多种朝向的识别，不再要求精确正面。\n- 与相关工作的间接比较：\n  - 相关工作 [^5] 将 3D-LiDAR 当作多个 2D-LiDAR 使用，在不同高度采集点云，最高分类率达到 96%。本文在多数角度和距离下 F 值达到 0.95 以上，但两者实验设置、传感器和评价方式不同，不能直接对比。\n  - 相关工作 [^6] 使用头肩特征进行行人识别，本文则关注躯干、手臂和腿部形状，属于不同技术路线。\n\n### 4. 消融、敏感性或跨论文差异分析\n\n- **手臂位置敏感性**：四种手臂姿态下 F 值均为 1.00，说明在正面、2 m 距离条件下，手臂姿态变化对识别结果不敏感。\n- **角度敏感性**：训练仅使用正面和侧面两个方向，测试覆盖 0° 到 180°。F 值在 90°、120°、150° 略有下降，最低为 150° 的 0.95，说明角度变化对性能有一定影响，但整体仍保持较高水平。\n- **距离敏感性**：训练仅使用 2 m 距离数据，测试 1 m 到 5 m。4 m 处性能下降最明显，尤其 90° 时 F 值降至 0.82；5 m 处反而回升至 0.99。这可能与点云密度、遮挡程度或树木负样本特征有关，但论文未给出进一步解释。\n- **训练数据规模**：每个角度/距离使用 150 个点云样本，树木负样本也为 150 个，训练轮数为 100 次。样本量较小，且负类仅包含树木，未覆盖其他校园障碍物。\n- **跨论文差异**：本文与先前研究 [^7][^8] 的关键差异在于不再要求人体正对 LiDAR，而是通过正面和侧面两个方向的训练实现角度泛化；与使用 3D-LiDAR 的方法相比，本文使用两个低成本 2D-LiDAR，计算成本更低，但实验仅验证了静止站立人体的识别，未验证跌倒、坐姿、弯腰等非直立姿态。\n- **局限性**：论文结论部分指出，如果目标人体不是直立站立，可能存在误识别；夜间或暗光环境下的性能也未在实验中验证，尽管这是论文动机之一。\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### 后续可探索方向\n\n#### 理论方向\n\n- **角度对称性假设的形式化**：论文假设人体点云在 0° 与 180° 等对称方向形状相同（第 V 节），可进一步建立旋转对称性/周期性的数学描述，并推导在非对称姿态（如单臂抬起、弯腰、携带物品）下该假设的失效边界。\n- **多高度融合理论**：两个 2D-LiDAR 高度 95cm 与 40cm（第 V 节）分别对应躯干/手臂与小腿/腿部，可探索如何用信息论或几何特征融合理论确定最优高度组合、点云密度下限以及高度差对分类性能的影响。\n- **小样本泛化理论**：PointNet 训练仅需正面和侧面两个方向（第 VI 节 B），可研究为何两个视角足以泛化到 0°–180°，以及点云数量变化、类别不均衡对分类边界的影响。\n\n#### 工程方向\n\n- **实时性与端侧部署**：当前流程将点云发送到服务器，使用 MATLAB 的 PointNet 分类（第 V 节），可探索在机器人端部署轻量级 PointNet/TinyML，降低通信延迟与带宽占用。\n- **移动平台与动态背景**：实验针对静止人体（题目与第 VI 节），但巡逻机器人自身在运动，需工程化解决运动畸变、移动中的背景差分、以及 2D-LiDAR 与 3D-LiDAR/SLAM 的融合。\n- **多机器人协同与 5G 控制**：论文提到 5G 设备与远程控制中心（第 III 节 A），可进一步实现多机器人共享模型、在线增量学习、异常事件上报与安全机制。\n\n#### 数据/评估方向\n\n- **扩展姿态与遮挡**：结论指出需验证非直立姿态（第 VII 节），应补充坐姿、蹲姿、弯腰、行走、携带物品、部分遮挡等数据。\n- **多样人群与场景**：目前仅针对日本老年人身高范围（表 1），需覆盖不同身高、体型、服装、树木/障碍物类别，并增加夜间、雨天、逆光、校园不同区域等环境。\n- **更严格的统计评估**：表 3–8 仅报告 F 值，样本量 150 且未给出方差/置信区间；可增加多次重复实验、交叉验证、混淆矩阵，并报告不同距离/角度的误差棒。\n- **开放数据集与基准**：当前无公开数据集/代码（参考文献 [^13] 仅传感器），可构建包含 2D-LiDAR 点云、标注角度/距离/姿态的基准，便于复现与对比。\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: 现实世界应用中的表现\n\n#### 1. 部署约束\n\n- **应用场景**：论文面向日本神奈川工科大学（KAIT）校园的夜间巡逻机器人，白天机器人可作为配送/引导机器人，夜间切换为巡逻机器人（第III节A，Fig. 4）。部署环境为校园建筑之间、有长椅和垃圾桶等障碍物的区域，并计划在建筑间设置5G设备以支持远程控制（第III节A）。\n- **传感器安装约束**：方法依赖两个2D-LiDAR，分别安装在95cm和40cm高度，以覆盖135–175cm身高人群的躯干/手臂和腿部特征（第V节，Table 1）。这意味着机器人结构必须固定这两个传感器高度，且需要保证安装精度；若机器人颠簸或高度变化，可能影响点云特征。\n- **硬件与通信约束**：机器人本体搭载GPS、2D/3D LiDAR、红外相机，并支持LTE/WiFi/蓝牙/5G通信（第III节C）。点云数据在机器人端进行背景差分后，通过无线网络发送到服务器，由服务器端PointNet完成人/树分类（第V节，Fig. 7）。因此部署需要稳定的无线网络覆盖，且服务器需具备实时推理能力。\n- **环境约束**：论文假设校园建筑外无台阶（第IV节），机器人速度接近步行速度（第IV节）。测量距离被限制在1m–5m（LiDAR最大6m，实际取5m）（第VI节，Table 2），因此巡逻路径需保证目标出现在该距离范围内。\n\n#### 2. 计算与延迟影响\n\n- **计算分工**：机器人端只做背景差分和点云提取，分类推理放在服务器端（第V节，Fig. 7）。这种设计可降低机器人端计算负担，但引入网络传输延迟；论文未报告端到端延迟或服务器推理时间。\n- **数据量优势**：相比3D-LiDAR，2D-LiDAR点云数据量小，计算成本低（第II节、第IV节），这是方法的主要卖点之一。但PointNet仍需要GPU或较强CPU，服务器端需配备相应算力。\n- **采样与实时性**：RPLiDAR A1M8转速为6–8 r/s（Table 2），每个样本对应一次360°扫描（第VI节）。若机器人以步行速度移动，单次扫描期间机器人位移可能造成点云畸变，论文未讨论运动补偿或实时处理流水线。\n- **训练成本**：PointNet为监督学习，需预先采集并标注人类和树木点云数据（第V节）。实验中对每个角度/距离采集150个样本，训练100次（第VI节B、C），但论文未报告训练时间、服务器配置或模型大小。\n\n#### 3. 鲁棒性与安全性问题\n\n- **已知局限**：论文结论明确指出，若目标人体不是直立状态，可能发生误识别，需进一步验证各种站姿下的精度（第VII节）。这意味着跌倒、坐姿、蹲姿等实际巡逻中常见情况可能无法可靠检测。\n- **类别覆盖不足**：分类器只区分“人”和“树”（第V节、第VI节），校园中还存在长椅、垃圾桶、自行车等大量物体（第III节A），这些物体未作为负类训练，实际部署中可能产生误报。\n- **角度与距离鲁棒性**：实验显示在90°、120°、150°时F值略降（Table 4），4m距离时F值明显下降（Table 5/7/8，尤其90°时4m F=0.82）。虽然整体接近1，但真实环境中的光照、遮挡、多人重叠、部分身体被障碍物遮挡等情况未测试。\n- **身高范围限制**：方法针对135–175cm人群设计（第V节，Table 1），低于或高于该范围的人（如儿童、高个子）可能无法被稳定检测。\n- **安全与伦理**：论文提到机器人可能遇到“非恶意人员”（如老年痴呆 wandering 者、儿童），希望机器人能威慑并发现他们（第III节A）。但若误检或漏检，可能导致保安资源错配；若机器人自主巡逻，需考虑碰撞安全、紧急制动、与行人交互等安全机制，论文未详细说明。\n- **黑暗环境优势**：LiDAR不依赖环境光，适合夜间巡逻（第II节），这是相对摄像头的关键优势；但红外相机和气体传感器等附加传感器（第III节A、C）的融合策略未在本文中展开。\n\n#### 4. 可维护性\n\n- **再训练需求**：当部署环境变化（如新增树木种类、出现新障碍物）或需要检测不同体型人群时，需重新采集点云数据并训练PointNet（第V节）。论文未提供增量学习或模型更新流程。\n- **依赖MATLAB库**：分类使用MATLAB发布的“Classify pointclouds using PointNet”（第V节），这意味着部署和后续维护依赖MATLAB环境及相应工具箱，可能带来许可证和平台绑定成本。\n- **传感器校准与维护**：两个LiDAR的安装高度（95cm/40cm）是方法核心，长期运行后需定期检查传感器是否松动、偏移或损坏；LiDAR的旋转机构（RPLiDAR A1M8）也需要清洁和寿命管理。\n- **网络与服务器运维**：服务器端承担推理任务，需要持续运行、更新模型、处理无线网络中断或延迟；控制中心还需管理停车、充电和WiFi通信空间（第III节A），整体系统运维复杂度较高。\n- **地图动态更新**：机器人使用3D LiDAR进行SLAM并动态更新校园地图（第III节C），这为巡逻提供定位基础，但地图更新与2D-LiDAR人体检测之间的同步、冲突处理未在论文中说明。\n\n**总结**：该方法在受控校园夜间巡逻场景中具有部署可行性，低数据量2D-LiDAR和服务器端PointNet降低了机器人端计算成本；但实际部署需重点解决网络延迟、非直立姿态检测、负类扩展、传感器校准和长期运维等问题。论文未提供端到端延迟、功耗、系统可靠性等工程指标，距离产品化仍有较大差距。\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## 摘要段落\n\n本文针对日本安保行业劳动力短缺及大学夜间巡逻需求，提出一种基于两个2D-LiDAR（安装高度95cm与40cm）的静止人体识别方法。方法利用2D-LiDAR获取人体躯干、手臂和腿部点云，将实际高度作为z坐标构造3D点云，再使用MATLAB实现的PointNet分类器区分人与树。作者利用人体点云在0°与180°等对称方向形状相同的特性，提出只需学习正面和侧面两个方向即可泛化到其他角度。实验在1m至5m距离、0°至180°角度及四种手臂姿势下评估，多数F值接近1，仅120°和150°等角度及4m距离处F值略降。结果表明，学习正面与侧面两个方向足以在多种角度和距离下识别静止人体。论文还指出，若目标非直立姿态可能存在误识别，需进一步验证。\n\n## 五个关键要点\n\n1. 使用两个低成本2D-LiDAR（95cm和40cm）替代3D-LiDAR，降低计算成本与传感器成本（第V节、第VI节）。\n2. 将2D点云按实际安装高度赋予z坐标，转换为3D点云后输入PointNet进行分类（第VI节）。\n3. 利用人体点云在相反方向（如0°/180°、45°/225°）形状对称的特性，只需学习正面和侧面两个方向（第V节）。\n4. 实验显示手臂姿势不影响识别，四种姿势F值均为1.00（表3）。\n5. 角度实验中，0°、30°、45°、60°、180°的F值为1.00，90°、120°、150°略降至0.99、0.97、0.95；距离实验中4m处F值最低（0.82-0.92），但整体仍较高（表4-8）。\n\n## 核心公式/机制\n\n分类性能采用F值（F-score）衡量：\n\\[\nF = \\frac{2 \\cdot \\text{Precision} \\cdot \\text{Recall}}{\\text{Precision} + \\text{Recall}}\n\\]\n核心机制：两个2D-LiDAR分别采集95cm（腰部附近）和40cm（小腿附近）的点云，将x、y坐标与固定z坐标（95/40cm）组合成3D点云，再经PointNet编码-解码提取特征并分类为“人”或“树”。训练时仅使用正面（0°）和侧面（90°）两个方向的数据，利用对称性使模型泛化到其他角度。\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# Module D：第二遍精读（Second-pass Understanding）\n\n## 1. 结构树\n\n- 摘要/关键词：提出用 2D-LiDAR 进行静止人体识别，面向安保巡逻场景。\n- I. 引言：日本安保劳动力短缺；巡逻机器人需求；相机/3D-LiDAR 的局限；本文目标。\n- II. LiDAR：对比相机、热成像、3D-LiDAR；说明 2D-LiDAR 的低成本与点云量优势。\n- III. 作为安保人员的机器人：KAIT 校园巡逻目标、当前巡逻方式、机器人传感器配置（GPS、2D/3D LiDAR、红外相机、5G 等）。\n- IV. 相关工作与前期研究：3D-LiDAR 人体检测、2D-LiDAR 人体检测；前期方法需正面识别，本文扩展为任意角度。\n- V. 提出方法：安装高度选择（95cm/40cm）、角度对称性假设、系统流程（Fig.7）、PointNet 分类。\n- VI. 实验：A 手臂位置；B 各角度；C 距离。\n- VII. 结论：总结贡献与未来工作（非直立姿态等）。\n\n## 2. 方法/系统拆解\n\n- 输入：两个 2D-LiDAR（RPLiDAR A1M8，360°，6m 半径）分别安装在 95cm 和 40cm 高度，采集 1m 到 5m 范围内的人体/树木点云（第VI节，Table 2）。\n- 预处理：车载电脑对采集到的点云做背景减除，提取障碍物点云；由于 2D-LiDAR 只有 x、y 坐标，将实际安装高度 95cm 和 40cm 作为 z 坐标，构造 3D 点云（第VI节）。\n- 分类模块：服务器端使用 MATLAB 的“Classify point clouds using PointNet”进行点云压缩/恢复与特征提取，并做监督分类；类别为 human 与 tree（第V节、第VI节）。\n- 训练流程：预先学习正面和侧面两个方向的人体点云，以及树木点云；每个类别/条件准备 150 个点云，学习次数为 100（第VI-B节）。\n- 推理/部署流程：机器人巡逻采集 → 背景减除 → 无线网络发送至服务器 → PointNet 识别 → 若识别为人类则通知保安，机器人跟踪目标（Fig.7）。\n- 损失函数/训练细节：论文未明确说明损失函数、优化器、超参数、数据增强等；仅说明使用 MATLAB 的 PointNet 实现（第V-VI节）。\n- 关键设计假设：人体点云在 0° 与 180°、45° 与 225°、90° 与 270° 等对称方向形状相同，因此只需学习 0° 到 180° 内的正面和侧面即可泛化到其他角度（第V节）。\n\n## 3. 重要图表解读\n\n- Fig. 5/6：分别展示人体在 0°（正面）和 180°（背面）时的腰部点云数据。两图形状相似，支撑“对称方向点云形状相同”的假设，从而说明只需学习一半方向即可（第V节）。\n- Table 4：各角度（0°, 30°, 45°, 60°, 90°, 120°, 150°, 180°）的 Recall/Precision/F 值。多数角度 F=1.00；90°、120°、150° 的 F 分别为 0.99、0.97、0.95，主要因 Recall 下降（0.98/0.93/0.91），Precision 仍为 1.00。说明学习正面+侧面后，未学习角度仍可识别，但侧面附近略有下降（第VI-B节）。\n- Table 5-8：0°、45°、90° 方向下 1m 到 5m 距离的 F 值。4m 处 F 最低（0° 为 0.89，45° 为 0.92，90° 为 0.82），5m 处回升至 0.99；说明距离影响点云密度，但整体仍可接受（第VI-C节）。\n\n## 4. 实验/评估细节\n\n- 数据集：自采点云，使用 RPLiDAR A1M8；对象为人体与树木；每类/每条件 150 个点云（2D-LiDAR 旋转一圈为一个点云）；距离 1m 到 5m，间隔 1m；角度 0° 到 180°，间隔 10°（第VI节）。\n- 指标：Recall、Precision、F 值（F value）。\n- 对比目标：无基线方法、无对比方法；仅报告本文方法在不同条件下的绝对表现。\n- 消融：无正式消融；通过手臂位置、角度、距离三个维度分别测试。\n- 公平性/数据划分：角度实验中，训练数据为正面+侧面+树木（各 150），测试数据为与训练不同的各角度人体和树木；距离实验中，训练数据为 2m 正面/侧面/树木，测试数据为 1m 到 5m 各方向且与训练数据分离（第VI-B/C节）。\n- 主要结果：手臂位置不影响识别（Table 3 全为 1.00）；学习正面+侧面可泛化到其他角度；距离变化下 F 值接近 1，但 4m 处下降。\n- 局限：未报告多次重复实验的方差；未说明 PointNet 训练细节；未在真实夜间校园场景验证；结论提到未考虑非直立姿态（第VII节）。\n\n## 5. 方法图（适用于 method 类论文）\n\n```text\n机器人（2D-LiDAR @95cm + @40cm）\n   │\n   ▼\n采集周围点云（1m–5m，360°）\n   │\n   ▼\n车载电脑：背景减除，提取障碍物点云\n   │\n   ▼\n将 95cm/40cm 作为 z 坐标，构造 3D 点云\n   │\n   ▼\n无线网络发送至服务器\n   │\n   ▼\nPointNet（MATLAB）：压缩/恢复 → 特征提取 → 分类\n   │\n   ├── 人类 → 通知保安 → 机器人跟踪\n   └── 树木/障碍物 → 继续巡逻\n```\n\n训练阶段：预先学习正面+侧面人体点云与树木点云（各 150，100 次训练）。\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# Module E：第三遍深度评审\n\n## 1. 可重建性（Reconstructability）\n\n基于论文第V节与第VI节，可重建以下流程：\n\n```text\n输入：两个2D-LiDAR（RPLiDAR A1M8），安装高度95cm与40cm\n输出：目标是否为“人”（二分类：人/树）\n\n1. 机器人巡逻，采集周围点云（第V节，Fig.7）\n2. 对点云做背景差分，提取障碍物点云\n3. 将障碍物点云经无线网络发送至服务器\n4. 服务器端：\n   a. 将两个2D-LiDAR的(x,y)坐标分别加上z=95cm和z=40cm，构造3D点云（第VI节）\n   b. 使用MATLAB的“Classify point clouds using PointNet”进行压缩/恢复与特征提取（第V节）\n   c. 用预训练分类器将特征分类为人或树\n5. 若判定为人，通知保安；保安前往现场，机器人跟踪目标（Fig.7）\n```\n\n训练阶段：对正面与侧面两个方向的人体点云各150份、树点云150份，共300份，训练100次（第VI-B节）。测试阶段：按角度0°–180°每10°取150份，或按距离1–5m每1m取150份。\n\n重建所需关键参数：LiDAR高度95cm/40cm、测量范围1–5m、每份点云为一次360°扫描、训练数据为2m处正面/侧面、训练次数100。论文未给出PointNet网络结构、优化器、学习率、数据增强等细节，因此严格复现需要补充这些超参数。\n\n## 2. 假设（Assumptions）\n\n- 人体目标基本静止，且处于站立姿态；论文结论部分也指出“若目标不是直立站立，可能存在误识别”（第VII节）。\n- 人体点云形状在0°与180°、45°与225°、90°与270°等相对方向对称，因此只需学习0°–180°（第V节，Fig.5/6）。\n- 目标身高集中在135–175cm，因此将LiDAR安装在95cm和40cm可捕获躯干/手臂与腿部特征（第V节，Table 1）。\n- 巡逻场景中主要干扰物可用“树”代表；实验仅用树作为负样本（第V节、第VI节）。\n- 2D-LiDAR只能获取x,y坐标，但可人为指定z坐标为安装高度来构造3D点云（第VI节）。\n- 机器人平台具备3D LiDAR、GPS、通信能力，且校园内无台阶、机器人速度接近步行速度（第III-C节、第IV节）。\n\n## 3. 失败模式或盲区（Failure Modes / Blind Spots）\n\n- 非直立姿态：如坐姿、躺倒、弯腰等，点云形状与训练数据差异大，可能漏检（第VII节）。\n- 距离4m附近精度下降：正面4m F=0.89、45° 4m F=0.92、90° 4m F=0.82（Table 5/7/8），说明中远距离存在不稳定区间。\n- 遮挡与复杂背景：实验仅用树作负样本，未考虑长椅、垃圾桶、路灯柱、围栏等校园常见物体，可能造成误报（第III-A节提到校园有benches and trash bins）。\n- 角度泛化依赖对称性假设：若人体姿态不对称（如单侧背包、挥手），0°–180°对称性可能被破坏，未学习角度可能失效。\n\n## 4. 优势与劣势（Strengths and Weaknesses）\n\n### 优势\n\n- 使用低成本2D-LiDAR，避免3D-LiDAR的大计算量，适合夜间与暗光环境（第II节、第IV节）。\n- 通过两个高度（95cm/40cm）捕获躯干与腿部特征，针对老年痴呆徘徊者场景有明确动机（第V节）。\n- 实验覆盖手臂位置、角度、距离三个维度，且F值总体接近1，说明方法在设定条件下有较好表现（Table 3–8）。\n- 只需学习正面和侧面两个方向即可泛化到多种角度，训练成本低（第VI-B节）。\n\n### 劣势\n\n- 实验规模小：每类仅150份点云，训练100次，未报告方差、多次重复或统计显著性。\n- 负样本单一：仅用树，未覆盖校园内其他物体，泛化性证据不足。\n- 缺少与已有方法（如[^7][^8]）的定量对比，无法判断增量贡献。\n- 未提供PointNet训练细节、代码或数据集，复现困难。\n- 论文写作存在多处笔误（如“RERALATED”“CoCLUSION”“human waste”等），且部分表述不清晰（如“waste and shins”应为“waist and shins”）。\n\n## 5. 下一步研究方向（Next-Step Research Directions）\n\n- 扩展负样本与场景：加入长椅、垃圾桶、路灯、围栏、自行车等校园常见物体，评估误报率；并测试坐姿、躺倒、弯腰等非直立姿态。\n- 补充统计严谨性：多次重复实验、交叉验证、报告均值/方差，并与[^7][^8]及3D-LiDAR基线进行定量对比。\n- 开源代码与数据：公开PointNet训练配置、数据采集协议和预处理代码，便于复现与社区改进。\n- 融合多传感器：结合红外相机或3D-LiDAR的部分点云，提升暗光、遮挡和4m附近距离的鲁棒性，同时控制计算成本。\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\n\n1. **2D-LiDAR（二维激光雷达）**\n   - 定义：通过发射激光并测量反射光相位差来获取二维平面内障碍物距离信息的传感器，输出为二维点云（x, y 坐标）。\n   - 直觉：像一把水平扫描的“光尺”，只在一个高度平面上测量周围物体的轮廓。\n   - 在论文中的角色：论文的核心传感器，安装在 95 cm 和 40 cm 两个高度，用于采集人体躯干/手臂和腿部/小腿的点云特征（第V节、第VI节）。\n   - 前置知识：激光测距原理、点云数据、坐标表示。\n\n2. **3D-LiDAR（三维激光雷达）**\n   - 定义：能够获取三维空间点云（x, y, z）的激光雷达，通常用于 SLAM 和自动驾驶。\n   - 直觉：多束激光在不同俯仰角扫描，形成“立体点云”。\n   - 在论文中的角色：作为对比对象；论文指出其点云数据量过大、计算成本高，因此提出用多个 2D-LiDAR 替代（第II节）。\n   - 前置知识：点云、SLAM、传感器成本。\n\n3. **Point cloud / 点云**\n   - 定义：由大量空间点构成的数据集合，每个点通常包含 x、y、z 坐标，有时包含强度等信息。\n   - 直觉：用离散的点“描出”物体表面的形状。\n   - 在论文中的角色：人体识别的基本输入；2D-LiDAR 只产生二维点，论文将安装高度作为 z 坐标，构造 3D 点云输入 PointNet（第VI节）。\n   - 前置知识：三维坐标、传感器采样。\n\n4. **PointNet**\n   - 定义：一种直接处理点云的深度学习网络，可对点集进行分类或分割，具有置换不变性。\n   - 直觉：不把点云转成体素或图像，而是直接“整体看”所有点来提取特征。\n   - 在论文中的角色：服务器端用于人体/树木分类的分类器；论文使用 MATLAB 实现的“Classify point clouds using PointNet”（第V节、第VI节）。\n   - 前置知识：深度学习、分类、点云特征。\n\n5. **Autoencoder（自编码器）**\n   - 定义：一种通过压缩再还原输入来学习特征表示的无监督/自监督神经网络结构。\n   - 直觉：先“压扁”再“展开”，迫使网络抓住最关键的信息。\n   - 在论文中的角色：论文提到 PointNet 方法会压缩并还原点云数据，以提取用于分类的特征（第V节）。\n   - 前置知识：神经网络、降维、重构损失。\n\n6. **Supervised learning（监督学习）**\n   - 定义：使用带标签的训练数据学习输入到输出的映射。\n   - 直觉：给机器“看答案”来学习。\n   - 在论文中的角色：PointNet 分类需要预先用“人”和“树”两类点云训练（第V节）。\n   - 前置知识：机器学习基础、训练/测试集。\n\n7. **Classification（分类）**\n   - 定义：将输入数据划分到预定义类别的任务。\n   - 直觉：给未知点云“贴标签”。\n   - 在论文中的角色：将点云分为“人”和“树”，从而判断是否检测到人（第V节、第VI节）。\n   - 前置知识：监督学习、评价指标。\n\n8. **Feature extraction（特征提取）**\n   - 定义：从原始数据中提取有助于决策的紧凑表示。\n   - 直觉：从点云中“提炼”出区分人和树的关键形状信息。\n   - 在论文中的角色：PointNet 对点云压缩/还原后提取特征，再用于分类（第V节）。\n   - 前置知识：机器学习、表示学习。\n\n9. **Background subtraction（背景减除）**\n   - 定义：从当前帧中去除静态背景，只保留运动或新增前景物体的技术。\n   - 直觉：用“静态底图”做差，留下“多出来的东西”。\n   - 在论文中的角色：巡逻机器人采集点云后，先在机载电脑上做背景减除，提取人和障碍物点云，再发送到服务器（第V节、Fig. 7）。\n   - 前置知识：图像/点云处理、差分运算。\n\n10. **RPLiDAR A1M8**\n    - 定义：SLAMTEC 公司生产的低成本 2D-LiDAR，测量半径 6 m，视角 360°，转速 6–8 r/s。\n    - 直觉：论文实验用的“廉价激光雷达”，验证低成本方案的可行性。\n    - 在论文中的角色：实验数据采集设备，安装于 95 cm 和 40 cm 高度（第VI节、Table 2）。\n    - 前置知识：LiDAR 规格参数、测距范围。\n\n11. **SLAM（Simultaneous Localization and Mapping，同步定位与建图）**\n    - 定义：机器人在未知环境中同时估计自身位置并构建地图的技术。\n    - 直觉：一边走路一边画地图，同时知道自己在哪里。\n    - 在论文中的角色：说明机器人原本需要 3D-LiDAR 做 SLAM；若同一传感器还能识别人，可节省成本（第II节）。\n    - 前置知识：机器人学、传感器融合。\n\n12. **SVM（Support Vector Machine，支持向量机）**\n    - 定义：一种经典监督分类模型，通过寻找最大间隔超平面划分类别。\n    - 直觉：在两类点之间“撑开一条最宽的分界线”。\n    - 在论文中的角色：作为相关工作中 3D-LiDAR 行人识别的方法之一，与本文的 PointNet 方法形成对比（第IV节）。\n    - 前置知识：线性分类、核方法。\n\n13. **Pedestrian detection（行人检测）**\n    - 定义：从传感器数据中判断是否存在行人并定位的任务。\n    - 直觉：让机器“找人”。\n    - 在论文中的角色：论文的研究主题，但聚焦于“静止人体”检测，而非运动行人（标题、第IV节）。\n    - 前置知识：目标检测、分类。\n\n14. **Orientation invariance / 角度不变性**\n    - 定义：识别结果不随目标相对于传感器的朝向变化而显著变化。\n    - 直觉：无论人面向机器人还是背对机器人，都能被认出来。\n    - 在论文中的角色：核心目标；论文利用人体点云在 0° 与 180° 等对称方向形状相同的特性，提出只需学习正面和侧面两个方向（第V节、第VI节）。\n    - 前置知识：几何对称、旋转。\n\n15. **Symmetry of point cloud（点云对称性）**\n    - 定义：人体点云在相差 180° 的方向上形状相同，例如 0° 与 180°、45° 与 225°。\n    - 直觉：正面看和背面看，轮廓几乎一样。\n    - 在论文中的角色：支撑“只需采集 0° 到 180° 数据”和“学习两个方向即可推广到多角度”的假设（第V节、Fig. 5/6）。\n    - 前置知识：几何对称、坐标变换。\n\n16. **Waist height（腰部高度）**\n    - 定义：人体腰部所在的高度，论文中约为 90–95 cm。\n    - 直觉：在这个高度扫描，能同时看到手臂和躯干的轮廓。\n    - 在论文中的角色：先前研究用 90 cm 高度；本文改为 95 cm 以匹配日本老年人身高范围（第IV节、第V节）。\n    - 前置知识：人体测量学、LiDAR 安装。\n\n17. **Shin / 小腿高度**\n    - 定义：人体小腿所在的高度，论文中约为 40 cm。\n    - 直觉：在这个高度扫描，能看到两条腿的“两根柱子”特征。\n    - 在论文中的角色：第二个 2D-LiDAR 的安装高度，用于获取腿部点云，与 95 cm 高度配合识别人体（第V节、第VI节）。\n    - 前置知识：人体结构、多传感器融合。\n\n18. **F value（F 值 / F1 分数）**\n    - 定义：精确率（Precision）和召回率（Recall）的调和平均数，用于综合衡量分类性能。\n    - 直觉：既要“抓得准”，也要“抓得全”。\n    - 在论文中的角色：实验评价指标，用于报告不同手臂位置、角度、距离下的人体识别效果（第VI节、Table 3–8）。\n    - 前置知识：混淆矩阵、精确率、召回率。\n\n19. **Precision（精确率）**\n    - 定义：预测为正类的样本中真正为正类的比例。\n    - 直觉：机器说“是人”的时候，有多少次真的说对了。\n    - 在论文中的角色：与召回率一起计算 F 值，报告分类结果（第VI节）。\n    - 前置知识：二分类评价。\n\n20. **Recall（召回率）**\n    - 定义：真正为正类的样本中被正确预测为正类的比例。\n    - 直觉：所有“真正的人”里，机器找回了多少。\n    - 在论文中的角色：与精确率一起计算 F 值，报告分类结果（第VI节）。\n    - 前置知识：二分类评价。\n\n21. **Training data（训练数据）**\n    - 定义：用于训练模型的有标签数据。\n    - 直觉：给模型“做练习题”的数据。\n    - 在论文中的角色：每个实验都准备 150 个正面/侧面人体点云和 150 个树木点云，训练 100 次（第VI节）。\n    - 前置知识：监督学习、过拟合。\n\n22. **Test data（测试数据）**\n    - 定义：训练完成后用于评估模型性能的未见数据。\n    - 直觉：给模型“考试”的数据。\n    - 在论文中的角色：使用与训练数据不同的人体/树木点云，按角度或距离分组测试（第VI节）。\n    - 前置知识：机器学习评估。\n\n23. **Measurement range（测量范围）**\n    - 定义：传感器能够可靠测量距离的区间。\n    - 直觉：太近或太远都可能“看不清”。\n    - 在论文中的角色：RPLiDAR A1M8 最大 6 m，实验取 1–5 m 范围，以 1 m 间隔测试距离影响（第VI节、Table 2）。\n    - 前置知识：传感器物理限制。\n\n24. **Viewing angle（视角）**\n    - 定义：传感器能够扫描的角度范围。\n    - 直觉：传感器“视野”有多大。\n    - 在论文中的角色：RPLiDAR A1M8 为 360°，因此能获取人体周围完整一圈的点云（第VI节、Table 2）。\n    - 前置知识：传感器参数。\n\n25. **z-coordinate（z 坐标）**\n    - 定义：三维空间中垂直于水平面的坐标，表示高度。\n    - 直觉：给二维点云“补上高度信息”。\n    - 在论文中的角色：2D-LiDAR 只输出 x、y，论文将两个 LiDAR 的实际安装高度 95 cm 和 40 cm 作为 z 坐标，构造 3D 点云输入 PointNet（第VI节）。\n    - 前置知识：三维坐标系、点云表示。\n\n## 概念依赖图（文本形式）\n\n```text\n2D-LiDAR 数据采集（95cm + 40cm）\n        |\n        v\n原始点云（x, y）\n        |\n        | 补充 z 坐标（安装高度）\n        v\n3D 点云（x, y, z）\n        |\n        | 背景减除（机载电脑）\n        v\n前景点云（人/树/障碍物）\n        |\n        | 无线网络传输\n        v\n服务器端 PointNet 分类\n        |\n        | 监督学习（训练：正面+侧面人体、树木）\n        v\n特征提取（压缩/还原）\n        |\n        v\n分类结果：人 / 树\n        |\n        | 若为人\n        v\n通知保安 -> 保安前往 -> 机器人跟踪\n\n依赖关系：\n- 角度不变性依赖点云对称性（0°与180°形状相同）\n- 点云对称性依赖人体几何结构（躯干、手臂、腿）\n- 多高度识别依赖腰部高度（95cm）与小腿高度（40cm）\n- PointNet 分类依赖监督学习、训练数据、测试数据\n- 实验评价依赖 Precision、Recall、F value\n- 低成本方案依赖 2D-LiDAR（RPLiDAR A1M8）而非 3D-LiDAR\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# Module G：验证与引用核查\n\n## 1. 关键事实主张与来源核查\n\n### 主张1：日本安保行业劳动力短缺，大学安保受影响\n\n- 来源A：论文摘要与第I节引言（“Since the COVID-19 pandemic, Japanese industry has been facing a labor shortage... University security operations are also being affected by the lack of security guards.”）\n- 来源B：参考文献[^1]（S. Kotera, J. M. Schmittmann, “The Japanese Labor Market During the COVID-19 Pandemic,” International Monetary Fund, 2022）\n- 核查说明：论文内部表述与所引IMF报告一致，但论文未提供具体统计数据，外部数据需另行查阅IMF报告原文。\n\n### 主张2：基于3D-LiDAR/相机的人体识别技术已较成熟，但低成本2D-LiDAR识别尚未建立\n\n- 来源A：论文第I节（“Technology for recognizing people using cameras mounted on robots and 3D-LiDAR... has already been established... However, no technology has been established for use in poorly lit areas or for low-cost 2D-LiDAR recognition.”）\n- 来源B：参考文献[^3][^4]（Enzweiler & Gavrila 2009；Wang et al. 2017）与[^5][^6]（Spinello et al. 2010；Kirchner et al. 2012）\n- 核查说明：论文将“已建立”归因于[^3][^4]，将“2D-LiDAR已有若干方法”归因于[^5][^6]及作者前期工作[^7][^8]；但“尚未建立”是作者对领域现状的判断，需结合更多文献确认。\n\n### 主张3：两个2D-LiDAR分别安装在95cm和40cm高度，用于获取躯干/手臂与腿部/小腿特征\n\n- 来源A：论文第V节（“LiDAR heights are set at 95 cm and 40 cm to ensure feature acquisition.”）\n- 来源B：论文第VI节实验（“Two 2D-LiDARs have been installed at heights of 95cm and 40cm to obtain pointcloud data.”）\n- 核查说明：论文内部一致；但未说明安装高度选择的定量依据，仅以日本老年人身高表（Table 1）作间接支撑。\n\n### 主张4：使用RPLiDAR A1M8，测量范围6m，实验中取1m到5m\n\n- 来源A：论文第VI节（“Pointcloud data have been acquired using RPLiDAR A1M8... maximum measurement distance of LiDAR which is 6m... measuring from 1m to 5m at 1m intervals.”）\n- 来源B：参考文献[^13]（SLAMTEC RPLiDAR A1产品页面）\n- 核查说明：论文Table 2给出Range 6m radius、360°、6-8 r/s；与SLAMTEC公开规格一致，但论文未给出固件/驱动版本。\n\n### 主张5：使用MATLAB的“Classify point clouds using PointNet”进行特征提取与分类\n\n- 来源A：论文第V节（“use 'Classify pointclouds using PointNet,' which is published in the MATLAB library.”）\n- 来源B：参考文献[^12]（Qi et al., PointNet, CVPR 2017）\n- 核查说明：论文依赖MATLAB实现，未提供网络结构、超参数、训练/测试划分细节；PointNet原始论文是算法来源，但MATLAB实现的具体版本未知。\n\n### 主张6：学习正面和侧面两个方向后，可在0°到180°各角度获得高F值\n\n- 来源A：论文第VI-B节（Table 4：0°、30°、45°、60°、180°的F=1.00；90°=0.99；120°=0.97；150°=0.95）\n- 来源B：论文第VI-C节（Table 5-8：不同距离下正面、45°、90°的F值大多接近1，4m处F=0.89/0.92/0.82）\n- 核查说明：论文内部数据一致，但实验仅报告F值，未报告置信区间、重复次数、被试人数、树的数量与种类；150个样本/条件，统计显著性未知。\n\n### 主张7：手臂位置不影响识别精度\n\n- 来源A：论文第VI-A节（Table 3：四种手臂位置均Recall=1.00, Precision=1.00, F=1.00）\n- 来源B：论文第VI-A节文字（“there was no effect of the arm position for human recognition of our method.”）\n- 核查说明：结果过于理想，可能存在过拟合、数据泄露或测试集与训练集高度相似；需检查数据采集是否独立。\n\n## 2. 冲突与不确定性说明\n\n- 发表出处与日期缺失：文档未标注会议/期刊名称、年份、页码/DOI；从格式看疑似IEEE会议论文，但无法确认。因此publication_date和publication_venue留空。\n- 文本错误/拼写问题：标题摘要中“Light Detection And Raging”应为“Ranging”；第IV节标题“RERALATED”应为“RELATED”；第VII节“CoCLUSION”应为“CONCLUSION”；结论中“human waste and shins”疑为“human waist and shins”（腰部与小腿）。\n- 方法细节不透明：PointNet训练轮数（100次）、优化器、学习率、数据增强、训练/测试数据是否来自同一人/同一棵树等未说明；Table 4中“150 pieces of pointcloud data for each angle as learning data”与“150 pieces of human data for each 10°... different from the training data”之间的独立性需进一步确认。\n- 角度对称性假设：论文假设0°与180°、45°与225°等对称方向点云形状相同（第V节），但未用实验数据验证180°-360°范围；Table 4只测到0°-180°。\n- 泛化性局限：实验仅针对静止人体、特定距离（1-5m）、特定LiDAR高度（95/40cm）和校园环境；结论中作者也承认“如果目标不是直立站立，可能存在误识别”（第VII节）。\n- 引用格式不一致：部分参考文献缺少完整信息（如[^13]仅有URL），[^1]为IMF工作论文，[^2]为Procedia CIRP，[^3][^4][^5][^6][^7][^8][^9][^10][^11][^12]均有卷期页码，但未统一。\n\n## 3. 参考文献列表\n\n按论文出现顺序列出：\n\n[^1]: S. Kotera, J. M. Schmittmann, “The Japanese Labor Market During the COVID-19 Pandemic,” International Monetary Fund, 2022.\n\n[^2]: T. Shimmura, R. Ichikari, T. Okuma, H. Ito, K. Okada, T. Nonaka, “Service robot introduction to a restaurant enhances both labor productivity and service quality,” Procedia CIRP, Vol.88, pp.589-594, 2020.\n\n[^3]: M. Enzweiler and D. M. Gavrila, \"Monocular Pedestrian Detection: Survey and Experiments,\" in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 31, no. 12, pp. 2179-2195, Dec. 2009.\n\n[^4]: H. Wang, B. Wang, B. Liu, X. Meng, G. Yang, “Pedestrian recognition and tracking using 3D LiDAR for autonomous vehicle,” Robotics and Autonomous Systems, Vol.88, pp.71-78, 2017.\n\n[^5]: L. Spinello, K. Arras, R. Triebel, and R. Siegwart, “A Layered Approach to People Detection in 3D Range Data”, AAAI, vol. 24, no. 1, pp. 1625-1630, 2010.\n\n[^6]: N. Kirchner, A. Alempijevic and A. Virgona, \"Head-to-shoulder signature for person recognition,\" 2012 IEEE International Conference on Robotics and Automation, pp. 1226-1231, 2012.\n\n[^7]: Y. Nagai, Y. Sawano, Y. Terashima, T. Suzuki and R. Kiyohara, \"A Method for Detecting Human by 2D-LiDAR,\" IEEE International Conference on Consumer Electronics (ICCE), pp. 1-2, 2022.\n\n[^8]: T. Watanabe, Y. Terashima and R. Kiyohara, \"Standing Human Detection Method Using 2D-LiDARs,\" 2023 IEEE 47th Annual Computers, Software, and Applications Conference (COMPSAC), pp. 1260-1265, 2023.\n\n[^9]: Q. Wang, Y. Tan, Z. Mei, \" Computational Methods of Acquisition and Processing of 3D Point Cloud Data for Construction Applications,\" Archives of Computational Methods in Engineering, Vol.27, pp.479-499, 2020.\n\n[^10]: R. Chellappa, C. L. Wilson and S. Sirohey, \"Human and machine recognition of faces: a survey,\" in Proceedings of the IEEE, vol. 83, no. 5, pp. 705-741, 1995.\n\n[^11]: R. Poppe, \"A survey on vision-based human action recognition,\" Image and Vision Computing, Vol 28, Issue 6, pp. 976-990, 2010.\n\n[^12]: C. R. Qi, H. Su, K. Mo, L. J. Guibas, “PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation,” IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017.\n\n[^13] SLAMTEC, RPLiDAR A1 product page, <https://www.slamtec.ai/product/slamtec-rplidar-a1/> (accessed via paper reference).\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# 模块H：图表提取\n\n## 1. 图表完整索引\n\n评分说明：5=核心证据且可信度高；1=仅作示意或信息量低。\n\n| 编号 | 标题/说明 | 类型 | 位置 | 支撑的结论/主张 | 评分 |\n|---|---|---|---|---|---|\n| Fig.1 | Example of point-cloud data (3D-LiDAR) | 点云示例图 | 第II节 | 展示3D-LiDAR点云密集、数据量大，引出降低计算成本的动机 | 3 |\n| Fig.2 | Example of point-cloud data (2D-LiDAR) | 点云示例图 | 第II节 | 展示2D-LiDAR点云稀疏，说明可用少量点云检测人体特征 | 3 |\n| Fig.3 | Map of KAIT campus | 场景地图 | 第III-A节 | 说明校园建筑分布与巡逻场景，支撑夜间巡逻需求 | 2 |\n| Fig.4 | Image of our campus | 场景示意图 | 第III-A节 | 展示机器人巡逻/控制中心/5G部署的设想 | 2 |\n| Fig.5 | Pointcloud data in front | 点云示例图 | 第V节 | 展示正面人体点云形状，支撑角度对称性假设 | 4 |\n| Fig.6 | Pointcloud data in behind | 点云示例图 | 第V节 | 展示背面人体点云形状，与Fig.5对比支撑0°与180°对称 | 4 |\n| Fig.7 | Flow of proposed method | 流程图 | 第V节 | 给出方法整体流程：采集→背景差分→PointNet分类→通知保安 | 5 |\n| Table1 | Average height of Japanese elderly people | 数据表 | 第V节 | 支撑选择95cm和40cm两个LiDAR安装高度 | 4 |\n| Table2 | Specification of RPLiDAR-A1M8 | 规格表 | 第VI节 | 说明LiDAR量程6m、360°视场，支撑实验距离1-5m设置 | 4 |\n| Table3 | F value for arm positions | 实验结果表 | 第VI-A节 | 四种手臂位置下F值均为1.00，支撑“手臂位置不影响识别” | 5 |\n| Table4 | F value for each angle | 实验结果表 | 第VI-B节 | 各角度F值接近1，支撑“学习正面/侧面即可泛化到各角度” | 5 |\n| Table5 | F value at 0° | 实验结果表 | 第VI-C节 | 正面距离1-5m的F值，支撑距离泛化 | 5 |\n| Table6 | （缺失） | 缺失项 | 第VI-C节 | 正文从Table5直接跳到Table7，Table6未出现；可能为排版错误，需核对原文 | - |\n| Table7 | F value at 45° | 实验结果表 | 第VI-C节 | 对角线方向距离1-5m的F值，支撑距离泛化 | 5 |\n| Table8 | F value at 90° | 实验结果表 | 第VI-C节 | 侧面方向距离1-5m的F值，支撑距离泛化；4m处F=0.82为最低点 | 5 |\n\n## 2. 优先精读的图表（Top-priority deep reads）\n\n1. **Fig.7（流程图）+ Table4（各角度F值）**：核心方法链与核心结论。Fig.7说明系统由两个2D-LiDAR（95cm/40cm）采集、背景差分、服务器PointNet分类、通知保安组成；Table4证明仅学习正面和侧面即可在0°-180°范围内获得接近1的F值。\n2. **Table4（F value for each angle）**：直接支撑“角度无关”的核心主张。需注意90°、120°、150°的Recall分别为0.98、0.93、0.91，F值分别为0.99、0.97、0.95，并非全部1.00，论文对此解释为“足够高”。\n3. **Table5/7/8（距离实验）**：支撑“距离1-5m内可识别”的泛化结论。三张表中4m处精度均下降（0°: F=0.89；45°: F=0.92；90°: F=0.82），论文未解释原因，需重点核查。\n4. **Table3（手臂位置）**：支撑“手臂位置不影响识别”。但所有F值均为1.00，过于理想，需检查数据是否独立、是否过拟合或数据泄露。\n5. **Table1 + Fig.5/6（高度选择与对称性）**：Table1给出日本老年人身高，支撑95cm/40cm高度选择；Fig.5/6展示正面/背面点云形状相同，支撑“0°-180°学习即可覆盖360°”的假设。\n\n## 3. 图表关系 / 实验设置图\n\n```text\n[2D-LiDAR @95cm] + [2D-LiDAR @40cm]\n        |\n        v\n[采集点云（RPLiDAR A1M8，1-5m）]\n        |\n        v\n[背景差分，提取障碍物点云]\n        |\n        v\n[通过无线网络发送到服务器]\n        |\n        v\n[PointNet 分类（MATLAB实现）]\n        |\n        +---> 人类 -> 通知保安 -> 机器人跟踪\n        |\n        +---> 树木/其他 -> 不动作\n```\n\n实验设置要点：\n\n- 两个2D-LiDAR分别安装在95cm和40cm高度（第V节、第VI节）。\n- 使用RPLiDAR A1M8，量程6m，实验取1-5m（Table2）。\n- 训练数据：正面和侧面两个方向，各150个点云；树木150个点云；训练100次（第VI-B节）。\n- 测试数据：每10°一个角度（0°-180°），每个距离1-5m，每1m间隔（第VI-B/C节）。\n\n## 4. 图表到结论的映射\n\n| 图表 | 支撑的结论 | 在文中的位置 |\n|---|---|---|\n| Fig.1, Fig.2 | 3D-LiDAR点云数据量大、2D-LiDAR数据量小，因此采用2D-LiDAR降低计算成本 | 第II节 |\n| Fig.3, Fig.4 | KAIT校园需要夜间巡逻机器人，机器人可兼作日间配送/引导 | 第III-A节 |\n| Fig.5, Fig.6 | 人体正面与背面点云形状相同，支持角度对称性假设 | 第V节 |\n| Fig.7 | 提出方法的完整流程：采集→背景差分→PointNet分类→通知保安 | 第V节 |\n| Table1 | 根据日本老年人身高分布，选择95cm和40cm两个LiDAR高度 | 第V节 |\n| Table2 | LiDAR量程6m，因此实验测量范围设为1-5m | 第VI节 |\n| Table3 | 手臂位置（下垂、上举、胸前交叉、背后交叉）不影响识别精度 | 第VI-A节 |\n| Table4 | 学习正面和侧面后，0°-180°各角度F值接近1，角度泛化成立 | 第VI-B节 |\n| Table5, Table7, Table8 | 距离1-5m内F值大多接近1，距离泛化成立；4m处精度下降 | 第VI-C节 |\n\n## 5. 对图表证据的总体评价\n\n- 核心证据（Table3/4/5/7/8）均为F值，但缺少原始混淆矩阵、样本量说明和统计检验，且数值过于理想（多个1.00），需谨慎解读。\n- Fig.1/2/5/6为点云示例，未标注坐标尺度和采集条件，只能作定性说明。\n- Table6缺失，正文表号不连续，需核对原始PDF。\n- 图表与结论的对应关系基本清晰，但距离实验中4m处的性能下降未被讨论，是复现和进一步研究的关键点。"
}