{ "paper_id": "6884267730b55731bdc2689b7328cfca", "paper_title": "Robust Dynamic Object Detection in Cluttered Indoor Scenes via Learned Spatiotemporal Cues", "paper_authors": [ "Juan Rached", "Yixuan Jia", "Kota Kondo", "Jonathan P. How" ], "publication_date": "", "publication_venue": "unknown", "abstract": "Reliable dynamic object detection in cluttered environments remains a critical challenge for autonomous navigation. Purely geometric LiDAR pipelines that rely on clustering and heuristic filtering can miss dynamic obstacles when they move in close proximity to static structure or are only partially observed. Vision-augmented approaches can provide additional semantic cues, but are often limited by closed-set detectors and camera field-of-view constraints, reducing robustness to novel obstacles and out-of-frustum events. In this work, we present a LiDAR-only framework that fuses temporal occupancy-grid-based motion segmentation with a learned bird's-eye-view (BEV) dynamic prior. A fusion module prioritizes 3D detections when available, while using the learned dynamic grid to recover detections that would otherwise be lost due to proximity-induced false negatives. Experiments with motion-capture ground truth show our method achieves 28.67% higher recall and 18.50% higher F1 score than the state-of-the-art in substantially cluttered environments while maintaining comparable precision and position error.\n", "keywords": [ "dynamic object detection", "LiDAR", "occupancy grid", "bird's-eye-view", "motion segmentation", "spatiotemporal cues", "cluttered indoor scenes", "LSTM", "PointPillars", "EKF" ], "paper_institutions": [], "output_language": "zh", "provider": "doubao", "model": "deepseek-v4-flash", "prompt_template": "simple", "extracted_at": "2026-08-18T10:31:18.350924Z", "template_tag": "deep_read", "summary": "# Robust Dynamic Object Detection in Cluttered Indoor Scenes via Learned Spatiotemporal Cues\n\n\n**作者 / Authors:** Juan Rached, Yixuan Jia, Kota Kondo, Jonathan P. How\n\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## 模块A：阅读对齐与输入校验\n\n### 1. 论文元数据\n\n- **标题**：Robust Dynamic Object Detection in Cluttered Indoor Scenes via Learned Spatiotemporal Cues\n- **作者**：Juan Rached、Yixuan Jia、Kota Kondo、Jonathan P. How（文中仅给出上标 1，未提供机构名称；从作者群推测可能来自 MIT 等机构，但原文未明确，故不臆断）\n- **发表 venue / 年份 / 级别**：原文未注明期刊或会议名称，也未给出明确年份；从参考文献和格式看疑似预印本，但无法确认。\n\n### 2. 研究定位\n\n- **研究领域**：机器人自主导航、LiDAR 动态目标检测、移动目标分割（MOS）、鸟瞰图（BEV）表示学习。\n- **具体任务**：在杂乱室内场景中，仅使用 LiDAR 点云和里程计信息，实现类无关（class-agnostic）的动态障碍物检测与跟踪，重点解决动态目标靠近静态结构或部分遮挡时的漏检问题。\n- **目标用户 / 应用场景**：室内自主导航的无人机或地面机器人；需要实时、鲁棒检测行人、四旋翼等动态障碍物的系统。\n\n### 3. 输入材料清单\n\n- **PDF**：是（已提供完整正文、图表、参考文献）。\n- **附录 / 补充材料**：有补充材料说明，包含视频链接：。\n- **代码链接**：原文标注“To be released soon”，当前不可用。\n- **数据集链接**：未提供公开数据集链接；实验数据为自采，使用 Vicon 动捕系统提供真值。\n\n### 4. 缺失材料与风险\n\n- **缺失项**：\n - 代码未发布，无法复现实验。\n - 数据集未公开，无法在相同数据上做对比。\n - 未注明发表 venue 和日期，难以判断版本与同行评审状态。\n - 作者机构信息缺失，影响对作者背景和潜在利益冲突的判断。\n- **可能影响**：\n - 无法验证实现细节（如 GridNet 超参数、训练数据划分、EKF 参数等）。\n - 无法在公共基准上独立评估泛化性。\n - 对论文的学术定位和可信度评估需谨慎。\n\n### 5. 阅读路线（3-6 步）\n\n- **第 1 步：第一遍快速浏览**。阅读标题、摘要、引言、结论、图 1-5 和表 I-III，掌握论文目标、方法概览和主要结果。\n- **第 2 步：第二遍理解方法**。重点阅读第 III 节：III-A 的 OGM 检测器、III-B 的 GridNet 2D 动态网格、III-C 的融合算法（Algorithm 1），理解两条并行流水线如何互补。\n- **第 3 步：细读实验与结果**。阅读第 IV 节，结合表 I、表 II、表 III 和图 3-5，分析不同杂乱程度、不同障碍物类型下的精度、召回率、F1 和位置误差。\n- **第 4 步：深入评估与批判**。检查假设（如高度不变假设、100ms 间隔假设）、失败模式（薄表面伪影、快速运动依赖）、运行时间（表 III）以及部署可行性。\n- **第 5 步：交叉验证与延伸**。对照参考文献 [^1]、[^2]、[^4] 等，确认与 Dynablox、LV-DOT、PointPillars 的关系，并思考改进方向。\n\n### 分类理由\n\n- 本文核心贡献是新的算法/模型（GridNet 网络）和检测融合策略（STORM），属于“method”类别。\n- 虽然论文也包含系统实现和实时部署分析，但主要创新点不是硬件平台或工程架构，因此不选“system”。\n- 论文不是综述或基准聚合，因此不选“survey”。\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## 模块B：第一遍概览\n\n### 1. 论文类型与类别\n\n- **类型**：方法类（method）论文，提出新的检测框架 STORM（SpatioTemporal-cues and Occupancy-based Robust Motion detection）。\n- **子类别**：LiDAR 动态目标检测 / 移动目标分割（MOS）/ 鸟瞰图（BEV）表示学习 / 经典几何管线与学习管线的融合。\n- **与模块A对应**：paper_archetype = method，本文核心贡献是新的算法/模型（GridNet）和融合策略（STORM），而非系统或综述。\n\n### 2. 背景与研究背景\n\n- **问题**：在杂乱室内场景中，动态障碍物靠近静态结构或部分遮挡时，基于几何的 LiDAR 检测管线（如 Dynablox）容易产生漏检（false negatives）；视觉增强方法（如 LV-DOT）受限于封闭类别集合和相机视场角（Section II-A）。\n- **现有方法**：\n - 几何方法：基于时间占用网格（OGM）的 MOS + 聚类（Dynablox，参考文献[^2]）；\n - 学习方法：基于时序 LiDAR 的 MOS（Chen et al. [^14]、稀疏4D卷积 [^15]、map-based [^16]、BEV 方法 MotionBEV [^17]）；\n - 视觉增强：LV-DOT [^1] 使用 RGB-D 和 YOLO 封闭集检测器。\n- **本文切入点**：用类无关（class-agnostic）的 BEV 动态网格作为“动态先验”，在 3D 检测丢失时恢复轨迹，从而结合几何可靠性与学习方法的泛化能力。\n\n### 3. 直觉正确性检查（关键假设与合理性）\n\n- **假设1：进入自由空间的物体是动态的**（Section III-A）。这是 OGM MOS 的基本原理，在静态环境建模准确时合理；但若地图未收敛或传感器噪声大，会产生伪影。\n- **假设2：障碍物高度在 100 ms 间隔内不会剧烈变化**（Section III-C，式(10)附近）。对行人、四旋翼等常见室内动态物体合理；对快速垂直运动物体可能不成立。\n- **假设3：BEV 动态网格能捕捉 3D 检测丢失的动态区域**（Section III-B）。因为网络使用 T=3 帧历史点云和自运动信息，能利用短时空间位移，直觉上成立；但依赖运动幅度，静止或极慢物体可能无法被网格捕获。\n- **假设4：类无关学习优于封闭集语义**（Section I、IV-D）。四旋翼实验（Table II）中 LV-DOT 完全失效，而 STORM 仍能检测，支持该假设。\n- **总体判断**：核心假设在目标场景（室内、100ms 扫描周期、常见动态障碍物）下基本合理，但快速垂直运动和极慢运动是潜在边界。\n\n### 4. 核心贡献（3-5 条）\n\n1. 提出 GridNet：一种基于 PointPillars 编码器 + LSTM 的类无关 BEV 动态网格预测网络，从短时 LiDAR 历史与自运动信息中预测动态列（Section III-B）。\n2. 提出 STORM 融合策略：优先使用 3D OGM 检测，当 3D 检测缺失时用 2D 动态网格恢复 EKF 轨迹（Section III-C，Algorithm 1）。\n3. 在真实杂乱室内场景中验证：相比 Dynablox，在 31 个静态障碍物场景中 recall 提升 28.67%，F1 提升 18.50%（Section IV-C，Table I）。\n4. 证明对未见过的动态障碍物（四旋翼）的泛化能力：GridNet 训练数据不含四旋翼，但 STORM 仍显著优于基线（Section IV-D，Table II）。\n5. 实时性分析：OGM 管线平均 25.46 ms，GridNet 平均 69.46 ms，满足实时运行（Section IV-E，Table III）。\n\n### 5. 清晰度评估\n\n- **结构**：标准结构（Introduction → Related Work → Method → Experiments → Conclusion），逻辑清晰，方法分两条并行管线描述，易于跟随。\n- **图表**：\n - Fig.1 直观展示三种方法在不同杂乱程度下的检测差异；\n - Fig.2 系统架构图清晰；\n - Fig.3-4 展示时序指标；\n - Fig.5 展示实验环境；\n - Table I/II 数据完整，但表格较宽，阅读时需注意距离阈值列。\n- **公式**：OGM 状态定义（式1）、EKF 状态与更新（式2-8）、损失函数（式9-11）均给出，但部分符号（如 Algorithm 1 中 I 与正文 S）存在不一致，需要仔细对照。\n- **可读性**：总体可读性好；但缺少发表 venue/日期、代码未发布、数据集未公开，影响复现和版本判断。\n\n### 6. 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**：\n 1. 方法新颖且实用：经典 OGM 与学习 BEV 动态先验的融合方式简单有效，具有部署价值；\n 2. 实验设计有说服力：使用动捕真值、多杂乱程度、多障碍物类型，并包含消融（STORM NG）和跨类别泛化测试；\n 3. 存在可深挖的细节：GridNet 架构超参数、训练数据划分、EKF 参数、失败模式（薄表面伪影）等需要第二/三遍细读。\n- **注意**：若读者只关心最终结论，可停在第一遍；但若要复现或评估方法边界，必须继续。\n\n### 7. 结构大纲图\n\n```markmap\n# STORM 论文概览\n## 引言与贡献\n### 问题：杂乱室内动态检测\n### 贡献：GridNet + STORM 融合\n## 相关工作\n### LiDAR 动态检测\n### 学习式 MOS\n## 方法\n### A. 时间占用网格检测器\n#### MOS 原理\n#### EKF 关联与估计\n### B. 学习式 2D 动态网格（GridNet）\n#### PointPillars + LSTM 架构\n#### 损失函数\n### C. 检测融合（Algorithm 1）\n#### 3D 检测优先\n#### 2D 网格恢复\n## 实验\n### 设置：Livox Mid-360 + Vicon\n### 行人障碍物结果（Table I）\n### 四旋翼障碍物结果（Table II）\n### 运行时间（Table III）\n## 结论与讨论\n### 优势：高召回、类无关、实时\n### 局限：薄表面伪影、依赖运动幅度\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在杂乱室内场景中，仅依靠 LiDAR 点云与里程计，如何鲁棒地检测靠近静态结构、部分遮挡或快速运动的动态障碍物，避免聚类/启发式过滤导致的漏检（false negatives）。\n\n### 2. 痛点或缺陷\n\n- 纯几何 LiDAR 流水线（如 Dynablox）依赖聚类与启发式过滤；当动态物体靠近静态结构时，动态与静态点云在空间上重叠，后续最近邻一致性检查或点/簇密度过滤会误删真实动态点，造成漏检（Section I、Section III-B、Fig. 1）。\n- 部分遮挡时，动态物体可见点少，达不到手调阈值，被当作噪声滤除（Section IV-B、Fig. 1 第一列）。\n- 视觉增强方法（如 LV-DOT）受限于闭集检测器（YOLO）和相机 FOV：新类别障碍物（如四旋翼）无法识别，且相机视场外即使 LiDAR 可见也会漏检（Section II-A、Table II 中 LV-DOT 全零）。\n- 现有方法在杂乱程度增加时性能急剧下降，例如 LV-DOT 在 31 个静态障碍物场景下 recall 仅约 0.11–0.12（Table I）。\n\n### 3. 形式化目标或优化目标\n\n论文没有给出单一全局优化目标，但可归纳为：\n\n- 检测/分割层面：学习一个 BEV 动态网格，对每个栅格单元预测其对应 3D 垂直柱是否包含动态运动，即二分类分割问题；训练损失为 BCE + Dice 的加权和（式 7–9，Section III-B2）：L_total = w_BCE *L_BCE + w_Dice* L_Dice，其中 w_BCE = 0.7，w_Dice = 0.3。\n- 融合/跟踪层面：在 EKF 框架下，用 3D 检测优先关联更新；对未关联的 2D 动态网格检测，若满足 ||s.pos_t - k.pos_{t-1}||_2 < d_min 且 k 未分配，则恢复该估计（式 10、Algorithm 1），从而最小化漏检同时保持近零误检。\n\n### 4. 成功标准（指标或期望性质）\n\n- 主要指标：Precision、Recall、F1 score、Position Error，在 0.75m / 0.5m / 0.25m 距离阈值下评估（Section IV-A、Table I/II）。\n- 期望性质：\n - 在杂乱环境中显著提高 recall 和 F1，同时保持与 SOTA 相当的 precision 和位置误差（Abstract、Table I）。\n - 类无关（class-agnostic）：能检测训练中未出现过的障碍物类别（如四旋翼），证明学到的是运动线索而非闭集语义（Section IV-D、Table II）。\n - 实时性：OGM 流水线平均 25.46 ms，GridNet 平均 69.46 ms，对应 39.28 Hz / 14.40 Hz，满足实时运行（Section IV-E、Table III）。\n - 鲁棒性：对部分遮挡、动态-静态邻近、快速运动（0–5 m/s）均保持检测能力（Fig. 3、Fig. 4）。\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## 模块 C2：本文相关的关键相关工作\n\n### 1. 最强基线（Strongest baselines）与比较轴\n\n- **Dynablox**（参考文献 [^2]，Section II-A、III-A）\n - **Method**：基于时序占用网格（temporal OGM）的移动物体分割（MOS），通过占用/自由空间一致性判断动态体素，再聚类得到 3D 检测。\n - **Core idea**：若某物体进入先前被观测为自由的区域，则该物体是动态的；利用体素占用时长阈值（τ_o、τ_u）区分自由与非自由空间。\n - **Limitation**：在杂乱室内场景中，动态物体靠近静态结构或部分遮挡时，聚类和最近邻检查会抑制真实动态点，导致漏检（Section I、II-A；Fig. 1 中行）。\n - **比较轴**：Table I/II 中的 precision、recall、F1、position error，以及不同 clutter 程度（# Obs = 4/16/31 和 0/11/26）和不同动态障碍物类型（行人、四旋翼）；Fig. 1、Fig. 3、Fig. 4 的定性/定量对比。\n\n- **LV-DOT**（参考文献 [^1]，Section II-A）\n - **Method**：LiDAR-视觉融合的动态障碍物检测与跟踪，使用 RGB-D 相机和预训练 YOLO 的闭集检测器提供语义线索，并在 MOS 前先聚类。\n - **Core idea**：视觉语义线索补充 LiDAR 几何信息，提升动态物体识别能力。\n - **Limitation**：受限于闭集语义类别和相机视场角（FOV），无法检测新类别障碍物或视场外物体；先聚类后 MOS 会使动态/静态点被合并进同一簇，导致漏检（Section II-A、IV-C；Fig. 1 顶行）。\n - **比较轴**：与 STORM 在相同实验设置和指标下对比；LV-DOT NC（无彩色图像）作为消融，说明视觉模块的作用。\n\n- **STORM NG**（无 GridNet 的 STORM 消融）\n - **Method**：仅使用 OGM + EKF 的 3D 检测流水线，去掉学习得到的 2D 动态网格。\n - **Core idea**：作为消融基线，用于量化 GridNet 对召回率和 F1 的贡献。\n - **Limitation**：在杂乱场景中仍会出现由近邻静态结构和部分遮挡导致的漏检，性能与 Dynablox 相当（Table I/II；Section IV-C）。\n\n### 2. 最接近的方法（Closest approaches）与关键差异\n\n- **Dynablox**（最接近的 OGM 类方法）\n - **关键差异**：STORM 在 OGM 流水线之外并行运行一个学习得到的 BEV 动态网格（GridNet），并通过融合过程（Algorithm 1，Section III-C）用 2D 动态列恢复被 3D 聚类丢失的检测；此外，STORM 使用簇密度启发式而非点计数启发式来滤除噪声，并使用常加速度 Dubins 模型的 EKF 进行跟踪（Section III-A）。\n\n- **学习式 MOS 方法**（如 Chen et al. [^14]、Mersch et al. [^15][^16]、MotionBEV [^17] 等，Section II-B）\n - **关键差异**：这些方法主要做逐点/逐体素的 moving object segmentation；STORM 的 GridNet 输出的是 BEV 2D 动态网格，作为类无关的动态先验，与 OGM 3D 检测融合以恢复漏检，而不是直接输出最终 3D 检测。STORM 还显式利用短时 LiDAR 历史（T=3）和 ego-motion 编码，且不依赖语义类别。\n\n- **LV-DOT**（最接近的 LiDAR-视觉动态检测方法）\n - **关键差异**：STORM 是纯 LiDAR 方案，不依赖相机 FOV 或闭集检测器；通过学习短时时空线索实现类无关检测，因此能检测四旋翼等未见过的障碍物（Table II；Section IV-D），而 LV-DOT 在四旋翼实验中 precision/recall/F1 全为零。\n\n### 3. 正交方向（Orthogonal directions）\n\n- **基于地图的 MOS / 体积信念**：如 Mersch et al. [^16] 的 map-based MOS，构建动态环境的体积信念，与 STORM 的 BEV 动态网格表示正交。\n- **稀疏 4D 卷积 MOS**：如 Mersch et al. [^15] 直接在 3D 时空体素上做稀疏卷积，STORM 则选择 BEV 伪图像 + LSTM，更轻量且可扩展到高分辨率（Section III-B）。\n- **自动标注生成训练数据**：如 Chen et al. [^18] 的自动标注流程，可用于扩展 STORM 的训练数据，但与检测框架本身正交。\n- **PointPillars 编码器**（[^4]）：STORM 借用其作为 BEV 特征提取器，但 PointPillars 本身是 3D 目标检测方法，不是动态检测基线。\n- **EKF 跟踪**（[^3]）：STORM 使用 EKF 作为跟踪模块，属于系统组件而非竞争方法。\n\n### 4. 一句话定位\n\nSTORM 是一种仅依赖 LiDAR 的类无关动态障碍物检测框架，通过将基于时序占用网格的 3D 检测与学习得到的 BEV 动态先验相融合，在杂乱室内场景中恢复因近邻静态结构或部分遮挡导致的漏检，从而在保持精度和位置误差的同时显著提升召回率与 F1 分数。\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 **STORM**（SpatioTemporal-cues and Occupancy-based Robust Motion detection），核心思路是并行运行两条检测流水线，再通过融合模块互补：\n\n- **3D 流水线（OGM 检测器）**：基于时间占用栅格图（OGM）的运动分割（MOS），对动态体素聚类得到 3D 检测，并用扩展卡尔曼滤波（EKF）跟踪。该流水线在动态目标靠近静态结构或部分遮挡时容易产生漏检。\n- **2D 学习流水线（GridNet）**：用 PointPillars 编码器将短时 LiDAR 历史转换为 BEV 特征序列，经 LSTM 建模时间上下文，输出类无关（class-agnostic）的 2D 动态网格，作为动态先验。\n- **融合策略**：优先使用 3D 检测；当 3D 检测因近距/遮挡漏检时，用 2D 动态网格恢复 EKF 轨迹，从而减少漏检并保持低虚警。\n\n### 2. 逐步分解\n\n1. **输入**：当前及历史 LiDAR 点云、里程计/机体速度信息。\n2. **OGM 运动分割**：维护每个体素的状态 \\(a^{(t)}=\\{o^{(t)},t_o^{(t)},t_u^{(t)},f^{(t)}\\}\\)，根据体素被占用/空闲的持续时间阈值 \\(\\tau_o\\)、\\(\\tau_u\\) 判断动态/静态。\n3. **聚类与最近邻检查**：对动态点云子集进行聚类，计算簇质心作为 3D 检测；使用簇密度启发式过滤噪声。\n4. **EKF 关联与更新**：采用恒定加速度 Dubins 模型，状态为 \\(\\mathbf{x}=[x,y,z,\\theta,\\phi,v]^\\top\\)，通过贪心关联将 3D 检测分配给滤波器并更新。\n5. **GridNet 动态网格生成**：将 T 帧点云用 PointPillars 编码为 BEV 伪图像序列，经 2D 卷积压缩并与速度 MLP 嵌入拼接，送入 LSTM，最后解码为 2D 动态网格。\n6. **融合（Algorithm 1）**：先处理 3D 检测；再对未关联的 EKF 估计，用 2D 动态网格检测进行恢复和更新。\n7. **输出**：恢复/更新后的 EKF 轨迹作为最终动态障碍物检测。\n\n### 3. 关键公式与模块作用\n\n- **体素状态定义**：\\(a^{(t)}=\\{o^{(t)},t_o^{(t)},t_u^{(t)},f^{(t)}\\}\\)，其中 \\(o^{(t)}\\) 表示是否被占用，\\(f^{(t)}\\) 表示是否为空闲空间。\n- **动态判定规则**：若体素满足 \\(f^{(t)}=1\\) 且 \\(o^{(t)}=1\\)，则视为动态；若 \\(f^{(t)}=0\\) 则视为静态。\n- **EKF 运动模型**：\\(\\dot{\\mathbf{x}}=[v c_{\\phi}c_{\\theta},v c_{\\phi}s_{\\theta},v s_{\\phi},\\dot{\\theta},\\dot{\\phi},a]^{T}\\)，其中 \\(c_{\\theta},s_{\\theta}\\) 为 \\(\\cos\\theta,\\sin\\theta\\) 的简写。\n- **EKF 预测与更新**：使用标准公式 \\(\\hat{\\mathbf{x}}_{k|k-1}=f(\\hat{\\mathbf{x}}_{k-1|k-1},\\mathbf{u}_{k-1})\\)、\\(\\mathbf{P}_{k|k-1}=\\mathbf{F}_{k}\\mathbf{P}_{k-1|k-1}\\mathbf{F}_{k}^{\\top}+\\mathbf{Q}_{k}\\)，以及更新式 \\(\\mathbf{y}_{k}=\\mathbf{z}_{k}-h(\\hat{\\mathbf{x}}_{k|k-1})\\)、\\(\\mathbf{S}_{k}=\\mathbf{H}_{k}\\mathbf{P}_{k|k-1}\\mathbf{H}_{k}^{\\top}+\\mathbf{R}_{k}\\)、\\(\\mathbf{K}_{k}=\\mathbf{P}_{k|k-1}\\mathbf{H}_{k}^{\\top}\\mathbf{S}_{k}^{-1}\\)、\\(\\hat{\\mathbf{x}}_{k|k}=\\hat{\\mathbf{x}}_{k|k-1}+\\mathbf{K}_{k}\\mathbf{y}_{k}\\)。\n- **GridNet 损失函数**：\\(\\mathcal{L}_{total}=w_{BCE}\\mathcal{L}_{BCE}+w_{Dice}\\mathcal{L}_{Dice}\\)，其中 \\(\\mathcal{L}_{BCE}=-w y\\log(p)-(1-y)\\log(1-p)\\)，\\(\\mathcal{L}_{Dice}=\\frac{2|Y\\cap P|}{|Y|+|P|}\\)；训练时取 \\(w_{BCE}=0.7\\)、\\(w_{Dice}=0.3\\)。\n- **恢复估计集合**：\\(\\{k\\in\\mathcal{K}\\mid\\|s.pos_{t}-k.pos_{t-1}\\|_{2} B[\"OGM 时间占用分割 (MOS)\"]\n A --> C[\"GridNet: PointPillars + LSTM\"]\n B --> D[\"动态点云聚类 + 最近邻检查\"]\n D --> E[\"3D 检测 (质心)\"]\n C --> F[\"2D 动态网格\"]\n E --> G[\"融合模块 Algorithm 1\"]\n F --> G\n G --> H[\"EKF 轨迹预测/更新\"]\n H --> I[\"最终动态障碍物检测\"]\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- 本文未使用公开基准数据集，而是自建真实世界室内数据集（无公开链接；代码待发布）。\n- 数据采集平台：Mid-360 Livox LiDAR（10 Hz）搭载于 Holybro x500 四旋翼；Vicon 动捕系统提供障碍物真值位置。\n- 场景：10 m × 10 m 室内房间，使用可折叠桌和泡沫板构造不同杂乱程度的静态障碍物布局。\n- 两组成对实验：\n - 人类动态障碍物实验：静态障碍物数量为 4、16、31（表 I），1-3 名行人，佩戴带动捕球的安全帽。\n - 四旋翼动态障碍物实验：静态障碍物数量为 0、11、26（表 II），动态障碍物为另一架四旋翼。\n- 规模：训练/验证/测试共 40+ 次实验，每次 2-10 分钟，约 84,000 个带标签数据点。\n\n### 2. 预处理与划分/覆盖设置\n\n- 输入：LiDAR 点云 + 里程计/机体速度；每帧保留全部 20,000 个 LiDAR 点。\n- OGM 参数：网格分辨率 0.2 m，最大半径 11 m，所有实验一致。\n- GridNet 输入：T = 3 帧点云历史，经 PointPillars 编码为 BEV 伪图像序列，并拼接机体速度的 MLP 嵌入。\n- 标签生成：将动态障碍物真值位置投影到 2D BEV 平面生成二值动态网格。\n- 数据划分：约 57% 训练、7% 验证、36% 测试。\n- 关键覆盖设计：训练数据中不包含四旋翼障碍物，用于检验模型是否学到通用运动线索而非特定类别外观。\n- 损失：BCE + Dice，权重 w_BCE = 0.7、w_Dice = 0.3。\n\n### 3. 训练/推理/评估环境\n\n- 实现：OGM 的 MOS 与状态估计模块用 C++ 实现；GridNet 用 PyTorch 实现；系统通信使用 ROS2。\n- 硬件：Lenovo Soundwave 笔记本，Intel-i9 CPU，NVIDIA GeForce RTX 4090 GPU。\n- 推理速度：OGM 流水线平均 25.46 ms（约 39.28 Hz），GridNet 平均 69.46 ms（约 14.40 Hz），满足实时运行。\n- 评估指标：Precision、Recall、F1、位置误差（Position Error），距离阈值从 0 m 到 1 m；关联阈值定义为 1 - distThresh，作为 IoU 阈值的代理。\n- 对比方法：Dynablox、LV-DOT、LV-DOT NC（无彩色图像）、STORM NG（无 GridNet 的消融）。\n\n### 4. 这些选择的意义与验证目标\n\n- 自建受控真实数据：在保持真实 LiDAR 噪声和动态物体物理特性的同时，通过逐步增加静态障碍物数量系统性地制造部分遮挡和近邻失效场景，从而直接检验方法在杂乱环境中的鲁棒性。\n- Vicon 动捕真值：提供毫米级位置真值，使 recall/F1/位置误差等指标可重复、可量化。\n- 多距离阈值评估：同时衡量检测率与定位精度，避免只优化检测数量而忽略位置质量。\n- 无四旋翼训练数据：验证 GridNet 的类无关（class-agnostic）泛化能力，说明模型依赖的是短时运动/时空线索而非语义类别。\n- 消融设置（STORM NG、LV-DOT NC）：分离 OGM、GridNet、视觉模块各自的贡献，证明融合策略和 learned dynamic prior 是性能提升的关键。\n- 运行时间分析：证明双流水线在真实硬件上可实时运行，并指出 TensorRT/并行化等进一步部署优化方向。\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## 模块C5：指标与结果\n\n### 1. 指标定义\n\n- **Precision（精确率）**：检测为动态的样本中真正为动态的比例，越高越好。\n- **Recall（召回率）**：真实动态目标中被正确检测出的比例，越高越好。\n- **F1 score**：精确率与召回率的调和平均，综合衡量检测率与质量，越高越好。\n- **Position Error（位置误差，m）**：检测位置与动捕真值之间的欧氏距离，越低越好。\n- **距离阈值（DistThresh）**：检测与真值关联的最大欧氏距离，论文采用 0.75 m、0.5 m、0.25 m 三档；关联阈值定义为 1 - DistThresh，作为 IoU 阈值的代理（Section IV-A）。\n\n### 2. 主要结果\n\n- **人类动态障碍物（Table I）**：在 4、16、31 个静态障碍物的场景中，STORM 的精确率基本保持在 0.98 以上；召回率随杂乱程度增加而下降，但始终高于 Dynablox 和 LV-DOT。例如 31 个障碍物、0.25 m 阈值下，STORM 的 Precision/Recall/F1/Pos Err 为 1.00/0.55/0.71/0.15 m，Dynablox 为 1.00/0.43/0.60/0.15 m。\n- **四旋翼障碍物（Table II）**：LV-DOT 在所有四旋翼实验中 Precision、Recall、F1 均为 0（因其 3D 管线过滤和 YOLO 类别限制）。在 0 个静态障碍物、0.25 m 阈值下，STORM 的 Precision/Recall/F1/Pos Err 为 0.99/0.74/0.85/0.17 m，Dynablox 为 1.00/0.36/0.53/0.18 m。\n- **高杂乱场景的显著提升**：论文摘要和 Section IV-C 报告，在 31 个静态障碍物、两名行人的实验中，STORM 相比 Dynablox 在 0.25 m 阈值下召回率提高 28.67%，F1 提高 18.50%；相比去掉 GridNet 的 STORM NG，召回率提高 10.18%，F1 提高 6.60%。\n- **位置误差**：在所有人类障碍物实验中，STORM 的位置误差始终在当次实验最低误差的 5 cm 以内（Section IV-C）。\n- **运行时间（Table III）**：OGM 管线平均总耗时 25.46 ms（约 39.28 Hz），GridNet 管线平均总耗时 69.46 ms（约 14.40 Hz），满足实时运行需求（Section IV-E）。\n\n### 3. 与基线/先前工作的对比\n\n- **vs Dynablox**：Dynablox 在部分遮挡或动态目标靠近静态结构时容易漏检。STORM 在 4 个障碍物场景中 F1 仅比 Dynablox 高 2.35%（0.97 vs 0.95，0.75 m 阈值），但在 16 个障碍物场景中 F1 提升至 0.84 vs 0.75（0.75 m 阈值），31 个障碍物场景中为 0.75 vs 0.65（0.75 m 阈值）。\n- **vs LV-DOT**：LV-DOT 在杂乱场景中性能下降最严重。在 16 个障碍物、0.25 m 阈值下，LV-DOT 的 Precision/Recall/F1 为 0.51/0.12/0.20，而 STORM 为 1.00/0.68/0.81。论文指出 LV-DOT 的精确率和召回率分别比 STORM 低 425.71% 和 297.21%（Section IV-C，按论文原文表述）。\n- **vs LV-DOT NC**：去掉彩色图像的 LV-DOT NC 在 16 个障碍物场景中召回率极低（0.05），说明视觉语义信息在杂乱室内场景中作用有限，且受限于相机 FOV 和闭集类别。\n- **四旋翼泛化**：GridNet 训练数据不含四旋翼点云，但 STORM 仍能检测四旋翼，说明模型学到的是运动线索而非特定类别外观（Section IV 引言）。在无静态障碍物、高速飞行（0-5 m/s）实验中，STORM 的 F1 比 Dynablox 高 61.10%，比 STORM NG 高 39.87%（Section IV-D，Fig. 4）。\n\n### 4. 消融、敏感性与跨论文差异\n\n- **消融：STORM vs STORM NG**：去掉 GridNet 后，在 31 个障碍物、0.25 m 阈值下，人类障碍物实验的 Recall 从 0.55 降至 0.50，F1 从 0.71 降至 0.67；四旋翼实验中，26 个障碍物场景的 Recall 从 0.39 降至 0.35，F1 从 0.56 降至 0.52。说明 GridNet 对恢复漏检有明确贡献。\n- **消融：LV-DOT vs LV-DOT NC**：在 4 个障碍物场景中两者几乎无差异；在 16 个障碍物场景中，LV-DOT NC 的 Recall 从 0.12 降至 0.05，说明视觉模块在低杂乱时帮助有限，在高杂乱时反而因闭集/FOV 限制无法提供稳定增益。\n- **敏感性：距离阈值**：随着 DistThresh 从 0.75 m 收紧到 0.25 m，所有方法的 Recall 和 F1 均下降，但 STORM 的下降幅度相对较小，且在高阈值下优势更明显。\n- **敏感性：杂乱程度**：静态障碍物数量从 4 增至 31 时，Dynablox 的 Recall（0.75 m 阈值）从 0.91 降至 0.48，STORM 从 0.96 降至 0.60；LV-DOT 从 0.75 降至 0.12。STORM 对杂乱程度的鲁棒性最好。\n- **训练与损失**：GridNet 使用 BCE + Dice 损失，权重 w_BCE=0.7、w_Dice=0.3（Section III-B2）；训练/验证/测试数据约 84,000 个标注点，比例约 57%/7%/36%（Section IV）。\n- **跨论文差异**：与 Dynablox 相比，STORM 的 OGM 不使用层次空间结构，且用簇密度启发式替代点计数启发式来滤噪（Section III-A1）；与 LV-DOT 相比，STORM 是 LiDAR-only、类无关，不依赖相机 FOV 或预训练闭集检测器。\n- **已知局限**：薄表面仍会产生伪影导致误检；GridNet 依赖 T=3 的短时间窗口，对慢速小目标可能不敏感（Section V）。\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：下一步可探索方向\n\n### 理论方向\n\n- **融合条件的理论刻画**：论文提出的 STORM 融合策略（Algorithm 1，Section III-C）依赖贪心关联和距离阈值 $d_{min}$，但未给出该阈值与检测召回率、虚警率之间的理论关系。后续可研究在何种噪声水平、点云密度和动态目标速度下，2D 动态网格能够可靠恢复 3D 漏检，并推导恢复估计的误差界。\n- **类无关动态先验的泛化机制**：GridNet 在训练时未见过四旋翼，却在四旋翼实验中取得较高召回（Table II，Section IV-D），说明模型学到了运动线索而非特定类别外观。下一步可从理论角度分析这种类无关泛化能力的来源，例如 LSTM 时间窗口 T=3 中位移信息的作用，以及 BEV 表示对目标尺度变化的鲁棒性边界。\n- **不确定性建模与概率融合**：当前融合过程对 3D 检测和 2D 动态网格采用确定性优先级（Section III-C），未显式建模两类检测源的不确定性。可探索将 EKF 协方差、GridNet 输出概率和 OGM 置信度统一到概率融合框架中，从而在理论上保证融合后估计的一致性。\n\n### 工程方向\n\n- **推理加速与嵌入式部署**：论文在 Section IV-E 指出，GridNet 平均运行时间为 69.46 ms（约 14.40 Hz），并建议并行化 PointPillars 编码、下采样点云以及导出 TensorRT 模型。后续工程工作可实际实现这些优化，并在 Jetson Orin AGX 等资源受限平台上验证实时性。\n- **OGM 分割管线优化**：Table III 显示 OGM 的 MOS 阶段耗时 23.56 ms，是 OGM 管线的主要瓶颈。可针对该阶段进行算法级优化（如体素级并行、增量式占用更新），以降低端到端延迟并减少对 GridNet 补充检测的依赖。\n- **系统级鲁棒性增强**：论文提到薄表面会产生伪影导致误检（Section V）。工程上可设计更鲁棒的点云预处理或后处理滤波，例如基于表面法向量的伪影抑制、多帧一致性校验，或为 OGM 的聚类密度启发式引入自适应参数。\n\n### 数据与评估方向\n\n- **公开基准与跨场景评估**：当前实验使用自采数据，依赖 Vicon 动捕系统提供真值（Section IV-A），且未提供公开数据集链接。下一步应在公开的室内动态目标检测基准（如 SemanticKITTI 的 MOS 任务或类似室内数据集）上进行评估，以验证方法的泛化性和可复现性。\n- **更多障碍物类型与长尾场景**：论文只评估了行人和四旋翼两类动态障碍物（Table I、Table II）。未来可扩展至更多形态的障碍物（如推车、动物、部分可见的人体），并系统测试极端遮挡、高速运动、低点云密度等长尾场景下的性能边界。\n- **消融实验的细粒度补充**：现有消融仅对比 STORM 与 STORM NG（去掉 GridNet）以及 LV-DOT NC（去掉彩色图像）。后续可补充更细粒度的消融，例如不同时间窗口 T、不同损失权重 $w_{BCE}$/$w_{Dice}$、不同 BEV 分辨率对召回率和位置误差的影响，从而为方法设计提供更充分的经验依据。\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## 模块C7：现实世界部署分析\n\n### 1. 部署约束\n\n- **传感器与平台**：系统依赖 LiDAR 点云和里程计/机体速度信息，实验使用 Mid-360 Livox LiDAR（10 Hz）搭载于 Holybro x500 四旋翼上（Section IV-A）。Vicon 动捕系统仅用于实验真值，不构成部署依赖（Section IV-A）。\n- **计算平台**：所有测试在 Lenovo 笔记本（Intel i9 CPU + NVIDIA RTX 4090 GPU）上运行（Section IV-A）。作者认为经过优化后可部署到 Jetson Orin AGX 等嵌入式设备，但文中未给出嵌入式实测数据（Section IV-E）。\n- **软件框架**：OGM 与状态估计模块用 C++ 实现，GridNet 用 PyTorch 实现，系统通信基于 ROS2（Section IV-A）。代码标注“To be released soon”，当前不可获取；数据集未公开（Supplementary Material）。\n- **运行环境假设**：实验在 10×10 m² 室内房间进行，静态障碍物由可折叠桌和泡沫板构成（Section IV-A、Fig. 5）。OGM 网格分辨率 0.2 m、最大半径 11 m，GridNet 使用 T=3 的扫描历史，每帧处理全部 20,000 个 LiDAR 点（Section IV-A、IV-E）。\n\n### 2. 计算与延迟影响\n\n- **运行时数据**：Table III 显示 OGM 管线平均总耗时 25.46 ms（预处理 1.65 ms、MOS 23.56 ms、聚类 0.10 ms、融合 0.15 ms），GridNet 管线平均总耗时 69.46 ms（MOS 69.31 ms、融合 0.15 ms）。对应 OGM 约 39.28 Hz、GridNet 约 14.40 Hz，作者认为足以满足实时运行（Section IV-E）。\n- **延迟特性**：GridNet 推理时间高于 OGM，且系统在杂乱场景中会更依赖 GridNet 来恢复漏检，因此检测结果可能相对真值略有延迟（Section IV-E、Fig. 1）。作者指出该延迟有界，且优于单纯 OGM 的漏检。\n- **优化空间**：当前 PointPillars 对点云历史逐帧顺序处理，可完全并行化；还可通过点云降采样、将 PyTorch 模型导出为 TensorRT 来提升性能，从而支持资源受限的嵌入式平台（Section IV-E）。但论文未提供这些优化后的实测延迟。\n\n### 3. 鲁棒性与安全性问题\n\n- **鲁棒性优势**：系统是类无关（class-agnostic）的，GridNet 训练数据中不含四旋翼，但 STORM 仍能检测四旋翼，说明模型学到的是运动线索而非固定语义类别（Section IV、IV-D）。在部分遮挡、动态目标靠近静态结构等场景下，STORM 能恢复 OGM 丢失的检测，显著提升召回率和 F1（Section IV-B、Fig. 1、Table I/II）。\n- **已知失效模式**：薄表面会产生伪影，导致误检并降低 F1（Section V）；GridNet 依赖 T=3 的 0.3 s 时间窗口，对快速运动物体更敏感，慢速物体位移小、可能更难检测（Section V）；OGM 依赖手调参数区分小障碍物与噪声，部分遮挡时容易漏检（Section IV-B）；融合过程假设障碍物高度在 100 ms 间隔内不会剧烈变化（Section III-C）。\n- **安全影响**：融合策略优先使用 3D 检测，仅在 3D 检测缺失时用 2D 动态网格恢复轨迹，并声称保持近零误检（Section III-C）。但薄表面伪影仍可能造成误检，从而引发不必要的避让；漏检则直接威胁导航安全。STORM 在杂乱场景中召回率提升明显，但并非完美，且位置误差与最优方法相差在 5 cm 以内（Section IV-C）。论文未提供形式化安全保证或故障安全机制。\n\n### 4. 可维护性\n\n- **模块化程度**：系统由 OGM 检测、GridNet 学习式检测、EKF 跟踪和融合算法（Algorithm 1）组成，OGM/状态估计与 GridNet 分属 C++ 和 PyTorch，通过 ROS2 集成（Section III、IV-A）。模块边界清晰，便于单独替换或调试。\n- **依赖与可复现性**：代码未发布、数据集未公开，导致复现、二次开发和持续维护困难（Supplementary Material）。依赖特定 LiDAR（Livox Mid-360）、ROS2、PyTorch、C++ 工具链，更换传感器或平台需要重新适配。\n- **训练与调参成本**：训练数据来自 40+ 次实验、约 84,000 个标注数据点，按 57%/7%/36% 划分训练/验证/测试（Section IV）。GridNet 使用 BCE+Dice 损失，权重 w_BCE=0.7、w_Dice=0.3（Section III-B）。OGM 的占用/空闲阈值、聚类密度启发式、融合距离阈值 d_min 等均需针对新环境重新调整（Section III-A、III-C）。\n- **演进方向**：作者提出优化 OGM 分割、降低端到端延迟、部署到嵌入式平台作为未来工作（Section V）。当前版本更适合作为研究原型，而非开箱即用的产品级系统。\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 STORM（SpatioTemporal-cues and Occupancy-based Robust Motion detection），一个仅依赖 LiDAR 的类无关动态目标检测框架，面向杂乱室内场景中动态目标靠近静态结构或部分遮挡导致的漏检问题（见摘要与第 I 节）。系统并行运行两条流水线：一条基于时间占用网格图（OGM）的经典运动分割与聚类流水线（第 III-A 节），另一条基于 PointPillars 编码器与 LSTM 的 learned BEV 动态网格 GridNet（第 III-B 节）。融合模块（Algorithm 1）优先使用 3D 检测，并在 3D 检测缺失时用 2D 动态网格恢复被漏检的 EKF 轨迹。实验使用 Vicon 动捕真值，在 4/16/31 个静态障碍物场景中，STORM 相比 Dynablox 在 recall 和 F1 上最高提升 28.67% 和 18.50%，同时保持相近的 precision 与位置误差（表 I）。在四旋翼动态障碍实验中，STORM 对未见过的快速运动目标也表现出泛化能力（表 II、图 4）。运行时间方面，OGM 与 GridNet 流水线平均耗时 25.46 ms 与 69.46 ms，满足实时性要求（表 III）。主要局限包括薄表面伪影导致的误检，以及对快速目标更敏感的时间窗口依赖（第 V 节）。\n\n### 2. 五个关键要点\n\n1. **双流水线互补设计**：OGM 提供精确的 3D 几何检测，GridNet 提供类无关的 2D 动态先验，二者通过 EKF 融合互补（第 III 节、图 2）。\n2. **针对 proximity-induced false negatives**：融合机制在 3D 检测因动态-静态邻近而丢失时，用 2D 动态网格恢复轨迹，显著提升 recall（Algorithm 1、表 I）。\n3. **类无关与泛化性**：GridNet 从未见过四旋翼，但能检测高速四旋翼，说明学到的是运动线索而非语义类别（第 IV-D 节、表 II）。\n4. **实时性**：OGM 25.46 ms、GridNet 69.46 ms，总频率满足实时运行；GridNet 不阻塞系统（表 III、第 IV-E 节）。\n5. **局限明确**：薄表面伪影造成误检，且 T=3 的时间窗口使慢速目标位移不明显，模型对快速目标更有利（第 V 节）。\n\n### 3. 核心公式/机制\n\n融合恢复条件（Algorithm 1 与式 (9)）：\n\n$$\n\\{k \\in \\mathcal{K} \\mid \\|s.pos_t - k.pos_{t-1}\\|_2 < d_{min} \\land \\neg k.assigned\\}\n$$\n\n其中 $s \\in \\mathcal{S}_2$ 是与估计 k 贪心关联的 2D 检测，$d_{min}$ 为距离阈值。满足该条件时，用 2D 检测的 $(x_s^{(t)}, y_s^{(t)})$ 加上估计上一时刻的 $z_k^{(t-1)}$ 构造测量 $s_2^{(t)} = [x_s^{(t)}, y_s^{(t)}, z_k^{(t-1)}]^\\top$ 更新 EKF，从而恢复被 3D 流水线漏检的动态目标（第 III-C 节）。\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## 模块D：第二遍精读理解\n\n### 1. 结构树\n\n- 标题/摘要/补充材料（视频链接、代码待发布）\n- I. 引言：问题动机、STORM 系统概述、贡献列表\n- II. 相关工作\n - A. 基于 LiDAR 的动态目标检测（Dynablox、LV-DOT 等）\n - B. 基于学习的运动目标分割（MOS）\n- III. 方法\n - A. 时序占用栅格图（OGM）检测器\n - 1) 运动目标分割（MOS）\n - 2) 关联与估计（EKF）\n - B. 学习式 2D 栅格图（GridNet）\n - 1) 网络结构\n - 2) 损失函数\n - C. 检测融合（Algorithm 1）\n- IV. 实验与结果\n - A. 实验设置\n - B. 定性结果与失败分析\n - C. 行人障碍物上的检测性能\n - D. 其他障碍物（四旋翼）上的检测性能\n - E. 运行时间分析\n- V. 结论与讨论\n- 参考文献\n\n### 2. 方法/系统分解\n\n- 输入：LiDAR 点云序列（T=3 帧）、里程计/机体速度、上一时刻 EKF 估计集。\n- 输出：动态障碍物 3D 位置估计（带 ID 的 EKF 轨迹）。\n- 两条并行流水线：\n 1. OGM 流水线（III-A）：维护每个体素状态 a={o,t_o,t_u,f}，利用“进入自由空间即为动态”原则做 MOS；对动态点云聚类，用簇密度启发式滤噪；簇质心作为 3D 检测，经 EKF（常加速度 Dubins 平面模型）跟踪。\n 2. GridNet 流水线（III-B）：PointPillars 编码器将每帧点云转为 BEV 伪图像；2D 卷积压缩为潜嵌入，与 MLP 编码的机体速度拼接；LSTM（长度 T）建模时序；解码为二值 BEV 动态栅格，每个格子表示对应 3D 柱是否含动态运动。\n- 融合（III-C, Algorithm 1）：先处理 3D 检测，贪心关联最近的未分配 EKF 估计并更新；再处理 2D 检测，仅对未获得 3D 测量的估计，用 2D 动态栅格中的动态柱恢复，测量为 (x_s, y_s, z_k^{t-1})，假设高度在 100ms 间隔内基本不变。\n- 损失（III-B-2）：L_total = w_BCE *L_BCE + w_Dice* L_Dice，w_BCE=0.7，w_Dice=0.3，处理高度不平衡的二值分割。\n- 训练/推理流：训练时用 Vicon 真值投影生成 2D 目标栅格；推理时 OGM 与 GridNet 并行，融合输出最终检测。\n\n### 3. 重要图表解读\n\n- 图 1（Fig. 1）：三行分别 LV-DOT、Dynablox、STORM，三列对应递增杂乱程度。LV-DOT 在近距静态结构时漏检；Dynablox 在部分遮挡和近距时漏检；STORM 全部检出。该图直接支撑“融合学习式动态先验可恢复近距/遮挡漏检”的核心主张。\n- 图 2（Fig. 2）：系统架构图，展示点云与机体状态并行进入 OGM 和 GridNet，OGM 输出动态点云簇质心，GridNet 输出 2D 动态栅格，融合后生成检测。用于理解两条流水线及融合位置。\n- 表 I（Table I）：行人障碍物实验，按静态障碍物数 4/16/31 和距离阈值 0.75/0.5/0.25m 报告 Precision/Recall/F1/Pos Err。STORM 在 31 个障碍物、0.25m 阈值下 Recall=0.60，F1=0.71，高于 Dynablox（0.43/0.60）和 LV-DOT（0.11/0.18）；Precision 保持 1.00。说明杂乱场景下召回提升显著且不牺牲精度。\n- 表 II（Table II）：四旋翼障碍物实验，LV-DOT 全零被省略。STORM 在 0 个障碍物、0.75m 阈值下 Recall=0.82，F1=0.90，远高于 Dynablox（0.42/0.59）和 STORM NG（0.49/0.66），说明 GridNet 学到的是运动线索而非特定类别，可泛化到未见过的四旋翼。\n- 表 III（Table III）：运行时间。OGM 总 25.46ms（39.28Hz），GridNet 总 69.46ms（14.40Hz），融合仅 0.15ms，满足实时性。\n\n### 4. 实验与评估细节\n\n- 数据：自采，10x10m 室内，40+ 次实验，每次 2-10 分钟，约 84,000 个标注数据点，训练/验证/测试约 57%/7%/36%。真值由 Vicon 动捕系统提供。\n- 传感器：Mid-360 Livox LiDAR（10Hz）搭载于 Holybro x500 四旋翼；静态障碍物用可折叠桌和泡沫板搭建。\n- 对比方法：Dynablox、LV-DOT、LV-DOT NC（无彩色图像）、STORM NG（无 GridNet）。消融：STORM vs STORM NG；LV-DOT vs LV-DOT NC。\n- 指标：Precision、Recall、F1、Position Error，距离阈值 0.75/0.5/0.25m（关联阈值=1-distThresh 作为 IoU 代理）。\n- 公平性/配置：OGM 网格分辨率 0.2m，最大半径 11m，GridNet T=3，所有方法在同一数据上评估；STORM NG 与 Dynablox 性能相当，说明提升主要来自 GridNet 融合。\n- 主要结果：31 个静态障碍物行人实验中，STORM 比 Dynablox Recall 高 28.67%、F1 高 18.50%（0.25m 阈值）；四旋翼实验中，STORM 比 Dynablox Recall 高 21.88%、F1 高 16.42%（最杂乱环境）；无静态障碍物高速飞行时 F1 比 Dynablox 高 61.10%、比 STORM NG 高 39.87%。\n- 失败模式：薄表面产生伪影导致假阳性；GridNet 依赖 0.3s 窗口，对极慢物体位移不明显时效果下降；LV-DOT 因闭集 YOLO 和相机 FOV 限制在四旋翼上全零。\n\n### 5. 方法图（适用于“method”类论文）\n\n```text\nLiDAR点云序列 + 机体速度/里程计\n |\n +------------------+------------------+\n | |\n OGM流水线 (III-A) GridNet流水线 (III-B)\n - 体素状态 a={o,t_o,t_u,f} - PointPillars -> BEV伪图像\n - 进入自由空间=动态 - 2D卷积压缩 + MLP速度嵌入\n - 聚类 + 簇密度滤噪 - LSTM(T=3) -> 解码\n - 3D簇质心检测 - 2D动态栅格\n | |\n +------------------+------------------+\n |\n 融合 (III-C, Algorithm 1)\n - 优先3D检测关联EKF\n - 2D动态柱恢复未关联估计\n |\n 动态障碍物3D轨迹/检测\n```\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本文提供了较完整的方法描述，核心流程可重建，但部分实现细节缺失。\n\n**重建要点**：\n\n- **双流水线结构**：OGM 3D检测流水线（第III-A节）与GridNet 2D动态网格流水线（第III-B节）并行运行，通过融合过程（第III-C节，Algorithm 1）输出最终检测。\n- **OGM MOS模块**：每个体素维护状态 $a^{(t)}=\\{o^{(t)},t_o^{(t)},t_u^{(t)},f^{(t)}\\}$；占用时长超过 $\\tau_o$ 则标记为非自由，未占用时长超过 $\\tau_u$ 则标记为自由；进入自由空间的占用体素视为动态（第III-A1节）。聚类后使用簇密度启发式过滤噪声，而非点计数启发式。\n- **EKF跟踪**：状态为 $\\mathbf{x}=[x,y,z,\\theta,\\phi,v]^\\top$，采用常加速度Dubins平面模型；按标准EKF预测/更新步骤执行（第III-A2节，公式(2)-(8)）。\n- **GridNet**：使用PointPillars编码器将每帧点云转为BEV伪图像，压缩为潜嵌入后与车体速度MLP嵌入拼接，输入LSTM（长度T=3），解码为二值BEV动态网格（第III-B1节）。\n- **损失函数**：$\\mathcal{L}_{total}=w_{BCE}\\mathcal{L}_{BCE}+w_{Dice}\\mathcal{L}_{Dice}$，实验中 $w_{BCE}=0.7$，$w_{Dice}=0.3$（第III-B2节）。\n- **融合算法**：Algorithm 1 给出伪代码。3D检测优先关联EKF估计；未关联的估计再尝试与2D动态网格检测关联，并用2D检测的x,y坐标加上估计上一时刻的z坐标作为测量更新（第III-C节）。\n\n**重建障碍**：\n\n- 代码标注“To be released soon”，当前不可用（补充材料部分）。\n- 未给出GridNet的具体网络深度、通道数、LSTM隐层维度、训练超参数（学习率、batch size、epoch数）、数据增强等。\n- 未给出OGM的 $\\tau_o$、$\\tau_u$、聚类密度阈值、EKF噪声协方差 $\\mathbf{Q}_k$、$\\mathbf{R}_k$ 的具体数值。\n- 未公开数据集，无法在相同数据上复现对比。\n\n### 2. 假设（Assumptions）\n\n- **自由空间假设**：任何进入先前被观测为自由空间的物体都是动态的；体素占用/空闲状态由时间阈值 $\\tau_o$、$\\tau_u$ 决定（第III-A1节）。\n- **高度不变假设**：障碍物在两次3D读数之间（约100ms）高度不会剧烈变化，因此2D检测的x,y坐标可搭配上一时刻估计的z坐标使用（第III-C节）。\n- **静态背景假设**：环境中静态结构在实验期间保持不变，OGM不需要分层空间结构来应对无界环境（第III-A1节）。\n- **时间窗口假设**：GridNet使用T=3的扫描历史（0.3s），隐含假设动态物体在该窗口内有可观测位移；快速物体更易被检测（第V节）。\n- **真值点质量假设**：Vicon动捕系统提供的是3D点质量真值而非3D包围盒，因此用距离阈值作为关联代理（第IV-A节）。\n- **类无关假设**：系统不依赖语义类别，可泛化到未见过的障碍物类型（如四旋翼），但这也意味着无法利用语义先验（第I节、第IV-D节）。\n\n### 3. 失败模式或盲区（Failure Modes / Blind Spots）\n\n- **薄表面伪影**：OGM-based检测器对薄表面（如桌腿、泡沫板边缘）会产生虚假动态伪影，导致假阳性，降低F1分数（第V节）。\n- **慢速物体检测困难**：GridNet依赖0.3s时间窗口，慢速移动物体位移小，动态线索弱，可能漏检；论文明确表示模型对快速物体表现更好（第V节）。\n- **新轨迹初始化盲区**：融合过程只对已有EKF估计进行2D恢复（Algorithm 1第17-31行），如果某个动态物体从未被3D检测建立轨迹，2D动态网格本身不能直接初始化新轨迹，可能造成首次检测延迟。\n- **继承OGM参数敏感性**：OGM依赖手调参数区分小动态物体与噪声；当障碍物点密度低、速度快或部分遮挡时，仍可能漏检（第IV-B节、第IV-D节）。\n\n### 4. 优势与劣势\n\n**优势**：\n\n- **互补性设计**：经典OGM几何先验与学习型BEV动态先验互补，能恢复邻近静态结构或部分遮挡导致的漏检（第I节、第III-C节、图1）。\n- **类无关与泛化性**：GridNet不依赖封闭语义集，在未见过的四旋翼障碍物上仍有效，说明学到的是运动线索而非特定类别外观（第IV-D节）。\n- **实时性**：OGM流水线平均25.46ms（39.28Hz），GridNet平均69.46ms（14.40Hz），满足实时运行（第IV-E节，表III）。\n- **实验指标提升显著**：在31个静态障碍物场景中，相比Dynablox召回率提升28.67%，F1提升18.50%；相比LV-DOT优势更大（第IV-C节，表I）。\n- **精度与位置误差保持**：STORM的精度始终高于0.97，位置误差与最优方法差距在5cm以内（第IV-C节，表I、表II）。\n\n**劣势**：\n\n- **可复现性不足**：代码未发布、数据集未公开、关键超参数缺失，无法独立复现和验证（补充材料、第IV-A节）。\n- **评估范围有限**：仅在单一10x10m室内房间、单一Livox Mid-360 LiDAR、Vicon真值下测试；未在公共基准（如SemanticKITTI、nuScenes）上验证，泛化性存疑（第IV-A节）。\n- **缺少统计显著性分析**：未报告多次重复实验的方差或置信区间，难以判断性能差异的稳定性。\n- **对比基线有限**：仅对比Dynablox和LV-DOT，未与近年学习型MOS方法（如MotionBEV、4D卷积MOS等）直接比较（第II-B节）。\n- **延迟与部署问题**：GridNet推理时间较长，在杂乱场景中依赖GridNet时检测可能相对真值略有延迟；未在嵌入式平台实测（第IV-E节）。\n- **未解决薄表面伪影**：作者承认继承了OGM的薄表面假阳性问题，但没有提出针对性解决方案（第V节）。\n\n### 5. 下一步研究方向（Next-Step Research Directions）\n\n- **开源与基准化**：发布代码、数据集和训练配置，并在公共基准（如SemanticKITTI MOS、nuScenes）及多种传感器上评估，以验证泛化性和可复现性。\n- **嵌入式实时优化**：按第IV-E节建议，并行化PointPillars历史扫描处理、下采样点云、导出TensorRT，在Jetson Orin AGX等资源受限平台验证实时部署能力。\n- **改进OGM与融合**：针对薄表面伪影设计更鲁棒的体素状态更新或后处理；扩展融合逻辑，使2D动态网格能初始化新轨迹，而不仅恢复已有估计。\n- **自适应时间窗口**：研究可变长度或自适应采样间隔的时序建模，以改善慢速物体的检测，同时保持快速物体的响应能力。\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\n### 1. LiDAR（激光雷达）\n\n- 定义：通过发射激光并测量反射光来获取三维空间距离信息的主动传感器。\n- 直觉：用光“触摸”环境，得到稀疏但精确的三维点。\n- 在本文中的作用：唯一的外部感知来源；所有动态检测都基于 LiDAR 点云和里程计信息。\n- 前置知识：传感器原理、点云坐标、传感器坐标系。\n\n## 2. Point Cloud（点云）\n\n- 定义：一组三维坐标点的集合，表示物体表面在空间中的采样。\n- 直觉：环境表面的“数字雪花”。\n- 在本文中的作用：OGM 和 GridNet 两条流水线的原始输入。\n- 前置知识：三维坐标、刚体变换。\n\n## 3. Occupancy Grid Map, OGM（占据栅格地图）\n\n- 定义：将空间离散为栅格/体素，并记录每个栅格被占据或空闲状态的地图表示。\n- 直觉：把连续空间变成棋盘，每个格子回答“这里有没有东西”。\n- 在本文中的作用：3D 检测流水线的基础，通过时间一致性判断动态体素。\n- 前置知识：栅格化、贝叶斯滤波、占据概率。\n\n## 4. Voxel（体素）\n\n- 定义：三维空间中的体积像素，是 OGM 的基本单元。\n- 直觉：三维版的像素格子。\n- 在本文中的作用：每个体素维护占据时间 `t_o`、空闲时间 `t_u`、占据状态 `o` 和自由状态 `f`。\n- 前置知识：三维离散化。\n\n## 5. Free Space（自由空间）\n\n- 定义：被传感器观测为“没有障碍物”的空间区域。\n- 直觉：物体可以安全通过的空地。\n- 在本文中的作用：MOS 的核心假设是“进入自由空间的物体一定是动态的”。\n- 前置知识：占据栅格、射线投射。\n\n## 6. Moving Object Segmentation, MOS（运动目标分割）\n\n- 定义：将点云中的点分类为动态或静态的分割任务。\n- 直觉：给每个点贴“动/静”标签。\n- 在本文中的作用：OGM 流水线先做 MOS，再聚类得到 3D 检测。\n- 前置知识：二分类、时序推理。\n\n## 7. Bird's Eye View, BEV（鸟瞰图）\n\n- 定义：从正上方俯视场景的二维表示，通常将三维点云投影到地面平面。\n- 直觉：像地图一样俯瞰环境。\n- 在本文中的作用：GridNet 在 BEV 上输出 2D 动态网格，降低计算复杂度。\n- 前置知识：坐标投影、栅格地图。\n\n## 8. Pseudo-image（伪图像）\n\n- 定义：将点云特征排列成类似图像的二维网格结构，以便使用图像卷积网络。\n- 直觉：把不规则点云“整理”成规则图像。\n- 在本文中的作用：PointPillars 将每帧 LiDAR 扫描编码为 BEV 伪图像。\n- 前置知识：特征散射、图像表示。\n\n## 9. Pillar（柱体）\n\n- 定义：BEV 中一个网格单元对应的垂直柱状区域，包含该柱内所有点。\n- 直觉：把三维空间切成一根根“吸管”。\n- 在本文中的作用：PointPillars 以 pillar 为单位提取点云特征。\n- 前置知识：体素化、PointNet。\n\n## 10. PointPillars Encoder（PointPillars 编码器）\n\n- 定义：一种将点云编码为 BEV 伪图像的经典 3D 检测编码器。\n- 直觉：先用 PointNet 处理每个 pillar，再把特征铺成二维图。\n- 在本文中的作用：GridNet 的特征提取前端，将 T 帧点云转为 BEV 特征序列。\n- 前置知识：PointNet、2D 卷积。\n\n## 11. Long Short Term Memory, LSTM（长短期记忆网络）\n\n- 定义：一种能建模时间序列依赖的循环神经网络。\n- 直觉：有“记忆”的神经网络，能记住过去几帧的信息。\n- 在本文中的作用：对 T=3 的 BEV 特征序列建模时间上下文，输出动态网格。\n- 前置知识：循环神经网络、序列建模。\n\n## 12. GridNet（网格网络）\n\n- 定义：本文提出的学习式 2D 动态网格预测网络。\n- 直觉：一个“会看历史点云”的神经网络，输出哪里在动。\n- 在本文中的作用：生成 2D 动态先验，弥补 OGM 流水线的漏检。\n- 前置知识：PointPillars、LSTM、BEV 分割。\n\n## 13. Dynamic Grid（动态网格）\n\n- 定义：BEV 平面上的二值网格，每个格子表示对应 3D 垂直柱是否包含动态运动。\n- 直觉：一张“动态热点图”。\n- 在本文中的作用：融合阶段用动态列恢复被漏掉的 3D 检测。\n- 前置知识：BEV、二值分割。\n\n## 14. Class-agnostic（类无关）\n\n- 定义：不依赖预定义语义类别，只判断“是否动态”。\n- 直觉：不关心“是什么”，只关心“动不动”。\n- 在本文中的作用：使 GridNet 能检测未见过的障碍物（如四旋翼）。\n- 前置知识：开集/闭集识别、语义分割。\n\n## 15. STORM（SpatioTemporal-cues and Occupancy-based Robust Motion detection）\n\n- 定义：本文提出的融合检测框架，结合 OGM 3D 检测与 GridNet 2D 动态网格。\n- 直觉：两条检测路径互补，3D 路径为主，2D 路径“查漏补缺”。\n- 在本文中的作用：整体系统名称，也是实验评估对象。\n- 前置知识：多传感器融合、目标跟踪。\n\n## 16. False Negative（假阴性/漏检）\n\n- 定义：实际存在动态障碍物但系统未检测出的情况。\n- 直觉：该报的没报。\n- 在本文中的作用：核心要解决的问题，尤其是动态物体靠近静态结构时的漏检。\n- 前置知识：混淆矩阵、检测评估。\n\n## 17. False Positive（假阳性/误检）\n\n- 定义：实际没有动态障碍物但系统错误检测出的情况。\n- 直觉：不该报的报了。\n- 在本文中的作用：OGM 的薄表面伪影会产生误检，影响 F1 分数。\n- 前置知识：混淆矩阵、检测评估。\n\n## 18. Precision（精确率）\n\n- 定义：检测出的正样本中真正为正的比例，即 TP/(TP+FP)。\n- 直觉：报出来的东西里有多少是对的。\n- 在本文中的作用：衡量误检程度；STORM 保持高精确率。\n- 前置知识：二分类评估。\n\n## 19. Recall（召回率）\n\n- 定义：真实正样本中被检测出的比例，即 TP/(TP+FN)。\n- 直觉：该抓的抓到了多少。\n- 在本文中的作用：主要改进指标，STORM 在杂乱场景中显著提升召回率。\n- 前置知识：二分类评估。\n\n## 20. F1 Score（F1 分数）\n\n- 定义：精确率和召回率的调和平均数。\n- 直觉：同时惩罚误检和漏检的“综合分”。\n- 在本文中的作用：论文最看重的指标，用于比较各方法整体检测质量。\n- 前置知识：精确率、召回率。\n\n## 21. Position Error（位置误差）\n\n- 定义：检测位置与真值位置之间的欧氏距离。\n- 直觉：检测框中心偏离真实中心多远。\n- 在本文中的作用：衡量定位精度；STORM 与基线相当。\n- 前置知识：欧氏距离、真值评估。\n\n## 22. Distance Threshold（距离阈值）\n\n- 定义：判断检测与真值是否匹配的最大欧氏距离。\n- 直觉：离真值多近才算“命中”。\n- 在本文中的作用：实验中使用 0.75m、0.5m、0.25m 三档阈值评估。\n- 前置知识：匹配策略、评估协议。\n\n## 23. Clustering（聚类）\n\n- 定义：将空间上邻近的点归为一组，形成候选目标。\n- 直觉：把“抱团”的点当成一个物体。\n- 在本文中的作用：OGM 流水线对动态点云聚类，得到 3D 检测候选。\n- 前置知识：欧氏聚类、连通域。\n\n## 24. Nearest-neighbor Consistency Check（最近邻一致性检查）\n\n- 定义：检查动态点与邻近点/簇的一致性，用于抑制噪声伪影。\n- 直觉：如果某个动态点周围没有“同伴”，可能是噪声。\n- 在本文中的作用：在 Dynablox 中会造成邻近静态结构时的漏检；本文用 GridNet 恢复这些漏检。\n- 前置知识：最近邻搜索、噪声滤波。\n\n## 25. Extended Kalman Filter, EKF（扩展卡尔曼滤波器）\n\n- 定义：用于非线性系统的状态估计滤波器，通过线性化处理非线性动态。\n- 直觉：在“弯”的系统里反复用直线近似来估计状态。\n- 在本文中的作用：对 3D 检测和 2D 恢复检测进行跟踪与平滑。\n- 前置知识：卡尔曼滤波、雅可比矩阵。\n\n## 26. Dubins Plane Model（Dubins 平面运动模型）\n\n- 定义：一种描述物体在平面/空间中带航向和爬升角的运动学模型，本文采用恒加速度形式。\n- 直觉：不仅知道位置，还知道朝向、爬升角和速度。\n- 在本文中的作用：EKF 的状态转移模型，用于预测障碍物轨迹。\n- 前置知识：运动学、状态空间模型。\n\n## 27. Greedy Association（贪心关联）\n\n- 定义：按距离最近原则逐个匹配检测与跟踪估计的关联策略。\n- 直觉：每次先配最近的，不回头优化。\n- 在本文中的作用：Algorithm 1 中分别关联 3D 检测和 2D 检测到 EKF 估计。\n- 前置知识：数据关联、匈牙利算法。\n\n## 28. Binary Cross Entropy, BCE（二元交叉熵损失）\n\n- 定义：二分类任务中常用的损失函数，衡量预测概率与真实标签的差异。\n- 直觉：预测越离谱，惩罚越大。\n- 在本文中的作用：GridNet 训练损失的一部分，权重为 0.7。\n- 前置知识：信息论、逻辑回归。\n\n## 29. Dice Loss（Dice 损失）\n\n- 定义：基于 Dice 系数的损失，衡量预测区域与真实区域的重叠程度。\n- 直觉：像“两个集合的交集除以并集”。\n- 在本文中的作用：缓解动态像素极少的类别不平衡问题，权重为 0.3。\n- 前置知识：图像分割、集合相似度。\n\n## 30. Motion Capture Ground Truth（动捕真值）\n\n- 定义：由 Vicon 运动捕捉系统提供的物体三维位置真值。\n- 直觉：用外部高精度设备告诉系统“真相”。\n- 在本文中的作用：生成训练标签和评估检测精度的标准答案。\n- 前置知识：运动捕捉、坐标对齐。\n\n## 31. Temporal Window T（时间窗口）\n\n- 定义：GridNet 使用的 LiDAR 扫描历史帧数，本文 T=3。\n- 直觉：看过去 3 帧，判断现在哪里在动。\n- 在本文中的作用：时间窗口越长，慢速物体位移越明显；T=3 对应 0.3 秒。\n- 前置知识：时序建模、滑动窗口。\n\n## 32. Ego-motion（自运动）\n\n- 定义：传感器自身在环境中的运动，包括位置和速度。\n- 直觉：自己也在动，所以判断“别人动”时要先扣除自己的运动。\n- 在本文中的作用：GridNet 将机体速度的 MLP 嵌入与 BEV 特征拼接，用于补偿自运动。\n- 前置知识：里程计、坐标系变换。\n\n## 33. Partial Occlusion（部分遮挡）\n\n- 定义：障碍物只有一部分被传感器看到，其余部分被静态物体挡住。\n- 直觉：只看到“冰山一角”。\n- 在本文中的作用：导致 OGM 动态点数量不足，从而漏检；GridNet 可恢复。\n- 前置知识：遮挡推理、可见性。\n\n## 34. Proximity-induced False Negative（邻近性导致的漏检）\n\n- 定义：动态物体靠近静态结构时，动态点与静态点混在一起，被聚类或滤波误删而漏检。\n- 直觉：离墙太近，被当成墙的一部分。\n- 在本文中的作用：论文要解决的核心失败模式。\n- 前置知识：聚类、最近邻滤波。\n\n## 35. Real-time Operation（实时运行）\n\n- 定义：系统处理速度满足在线控制/导航频率要求。\n- 直觉：边飞边算，不拖后腿。\n- 在本文中的作用：OGM 流水线 39.28 Hz，GridNet 14.40 Hz，满足实时性。\n- 前置知识：计算复杂度、嵌入式系统。\n\n### 概念依赖图（文本形式）\n\n```text\nLiDAR 点云 + 里程计/自运动\n ├─> OGM 时间占据栅格（体素状态 a^(t)）\n │ └─> MOS：进入自由空间 = 动态\n │ └─> 聚类 + 最近邻一致性检查\n │ └─> 3D 检测（簇质心）\n │ └─> EKF 跟踪（恒加速度 Dubins 模型）\n │ └─> 3D 检测集合 S1\n │\n └─> 短时点云历史（T=3）\n └─> PointPillars 编码器\n └─> BEV 伪图像序列\n └─> 2D 卷积压缩 + MLP(机体速度)\n └─> LSTM 时间建模\n └─> GridNet 2D 动态网格\n └─> 动态列（BEV 单元）\n └─> 2D 检测集合 S2\n\nS1 与 S2 进入融合（Algorithm 1）：\n S1 优先关联 EKF 估计；\n 未关联的估计尝试用 S2 动态列恢复；\n 恢复时用 2D 的 x,y 加上估计上一时刻的 z；\n 最终输出 STORM 检测结果。\n\n依赖关系要点：\n- GridNet 依赖 PointPillars、LSTM、BEV 和自运动嵌入；\n- GridNet 训练依赖 Vicon 动捕真值生成的 2D 动态网格标签；\n- 损失函数依赖 BCE 与 Dice 的加权组合；\n- 融合依赖 EKF 估计、贪心关联和距离阈值 d_min；\n- 整体系统依赖“动态物体进入自由空间”这一几何假设。\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. 关键事实性声明核查\n\n### 声明 1：STORM 在杂乱室内场景中相对 SOTA 显著提升召回率与 F1，同时保持可比的精度和位置误差。\n\n- 来源1：摘要（Abstract）明确给出“28.67% higher recall and 18.50% higher F1 score”。\n- 来源2：第 IV-C 节结合表 I（31 个静态障碍物、distThresh=0.25 m）显示 STORM 的 recall/F1 为 0.55/0.71，Dynablox 为 0.43/0.60；precision 均为 1.00，位置误差均为 0.15 m。\n- 核查结论：方向性结论成立；具体百分比与表 I 公开行不完全一致，见冲突说明。\n\n### 声明 2：系统由 OGM 时间占用网格检测器与 GridNet 学习式 2D 动态网格两条并行流水线组成，并通过融合过程恢复漏检。\n\n- 来源1：第 III 节引言、图 2 系统架构、算法 1（Detection Fusion Procedure）。\n- 来源2：OGM 部分基于 Dynablox [^2]；GridNet 编码器基于 PointPillars [^4]。\n- 核查结论：与论文方法描述一致。\n\n## 声明 3：GridNet 使用 PointPillars 编码器、LSTM 时序建模、T=3 的扫描历史，并以 BCE+Dice 损失训练。\n\n- 来源1：第 III-B 节（Architecture, Loss）。\n- 来源2：第 IV-A 节（“scan history of T = 3”）；PointPillars [^4] 与 PointNet-style pillar feature network [^19]。\n- 核查结论：一致。\n\n## 声明 4：实验使用 Mid-360 Livox LiDAR（10 Hz）、Vicon 动捕真值，共 40+ 次实验、约 84,000 个标注数据点。\n\n- 来源1：第 IV 节开头。\n- 来源2：第 IV-A 节；表 I/II 的“# Obs”设置与图 5 实验场景。\n- 核查结论：一致，但数据集未公开，无法独立复现。\n\n## 声明 5：LV-DOT 在四旋翼实验中 precision/recall/F1 均为 0，原因是闭集检测器与相机 FOV 限制。\n\n- 来源1：表 II 注释（“We omit LV-DOT's rows as it achieved zero precision, recall, and F1 score”）。\n- 来源2：第 IV-D 节；LV-DOT [^1] 使用 YOLO [^12] 闭集检测器。\n- 核查结论：一致；但 LV-DOT 为 arXiv 预印本，版本可能更新。\n\n## 声明 6：OGM 流水线平均总耗时 25.46 ms，GridNet 为 69.46 ms，对应 39.28 Hz 与 14.40 Hz。\n\n- 来源1：表 III。\n- 来源2：第 IV-E 节；第 IV-A 节硬件配置（RTX 4090 等）。\n- 核查结论：数值自洽（1000/25.46≈39.28，1000/69.46≈14.40）。\n\n## 声明 7：STORM 对未见过的障碍物类别（四旋翼）具有泛化能力，因为 GridNet 训练数据不含四旋翼。\n\n- 来源1：第 IV 节开头（“GridNet was trained on data containing no quadcopter”）。\n- 来源2：第 IV-D 节；表 II 中 STORM 在 0 个静态障碍物时 recall 0.82（distThresh=0.75 m），显著高于 Dynablox 的 0.42。\n- 核查结论：支持泛化性声明，但仅限单一未见类别。\n\n### 2. 冲突与不确定性说明\n\n- 出版信息缺失：论文未标注 publication_date 和 publication_venue，无法确认是否经过同行评审；从参考文献格式看可能为预印本。\n- 作者机构缺失：作者仅给出上标 1，未列出机构，无法核实 affiliation。\n- 代码与数据不可用：代码标注“To be released soon”，数据集未公开，无法复现。\n- 数值不一致：第 IV-C 节称 LV-DOT 的 precision/recall “425.71% and 297.21% below STORM's”，但表 I 中 LV-DOT precision 0.51 vs STORM 1.00、recall 0.11 vs 0.55，相对差异远小于该百分比，疑似笔误或统计口径不明。\n- 数值不一致：第 IV-C 节称 31 个障碍物实验中 STORM 比 STORM NG 的 F1 高 6.60%，但表 I 在 distThresh=0.25 m 时 F1 为 0.71 vs 0.67，相对提升约 5.97%，不完全吻合。\n- 摘要中的 28.67%/18.50% 与表 I 的 31 障碍物行（0.25 m）计算值（约 27.91%/18.33%）略有出入，可能来自未列出的特定实验。\n- 对比基线版本风险：LV-DOT 为 arXiv:2502.20607（2025），Dynablox 为 RA-L 2023；两者实现细节可能影响公平性。\n- 实验环境单一：所有实验在 10x10 m² 室内房间进行，未在公共基准（如 SemanticKITTI）上验证，泛化性有限。\n\n### 3. 参考文献列表\n\n[^1]: Z. Xu, H. Shen, X. Han, H. Jin, K. Ye, and K. Shimada, “LV-DOT: Lidar-visual dynamic obstacle detection and tracking for autonomous robot navigation,” arXiv preprint arXiv:2502.20607, 2025.\n\n[^2]: L. Schmid, O. Andersson, A. Sulser, P. Pfreundschuh, and R. Siegwart, “Dynablox: Real-time detection of diverse dynamic objects in complex environments,” IEEE Robotics and Automation Letters, vol. 8, no. 10, pp. 6259–6266, 2023.\n\n[^3]: R. E. Kalman, “A new approach to linear filtering and prediction problems,” 1960.\n\n[^4]: A. H. Lang, S. Vora, H. Caesar, L. Zhou, J. Yang, and O. Beijbom, “Pointpillars: Fast encoders for object detection from point clouds,” in Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 2019, pp. 12697–12705.\n\n[^5]: Y. Min, D.-U. Kim, and H.-L. Choi, “Kernel-based 3-d dynamic occupancy mapping with particle tracking,” in 2021 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2021, pp. 5268–5274.\n\n[^6]: M. Schreiber, V. Belagiannis, C. Gläser, and K. Dietmayer, “Dynamic occupancy grid mapping with recurrent neural networks,” in 2021 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2021, pp. 6717–6724.\n\n[^7]: M. Lu, X. Fan, H. Chen, and P. Lu, “Fapp: Fast and adaptive perception and planning for uavs in dynamic cluttered environments,” IEEE Transactions on Robotics, 2024.\n\n[^8]: S. Shi, C. Guo, L. Jiang, Z. Wang, J. Shi, X. Wang, and H. Li, “Pv-rcnn: Point-voxel feature set abstraction for 3d object detection,” in Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 2020, pp. 10529–10538.\n\n[^9]: H. Wu, Y. Li, W. Xu, F. Kong, and F. Zhang, “Moving event detection from lidar point streams,” Nature communications, vol. 15, no. 1, p. 345, 2024.\n\n[^10]: T. Yin, X. Zhou, and P. Krahenbuhl, “Center-based 3d object detection and tracking,” in Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 2021, pp. 11784–11793.\n\n[^11]: A. Elfes, “Using occupancy grids for mobile robot perception and navigation,” Computer, vol. 22, no. 6, pp. 46–57, 2002.\n\n[^12]: J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 779–788.\n\n[^13]: S. Hoermann, M. Bach, and K. Dietmayer, “Dynamic occupancy grid prediction for urban autonomous driving: A deep learning approach with fully automatic labeling,” in 2018 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2018, pp. 2056–2063.\n\n[^14]: X. Chen, S. Li, B. Mersch, L. Wiesmann, J. Gall, J. Behley, and C. Stachniss, “Moving object segmentation in 3d lidar data: A learning-based approach exploiting sequential data,” IEEE Robotics and Automation Letters, vol. 6, no. 4, pp. 6529–6536, 2021.\n\n[^15]: B. Mersch, X. Chen, I. Vizzo, L. Nunes, J. Behley, and C. Stachniss, “Receding moving object segmentation in 3d lidar data using sparse 4d convolutions,” IEEE Robotics and Automation Letters, vol. 7, no. 3, pp. 7503–7510, 2022.\n\n[^16]: B. Mersch, T. Guadagnino, X. Chen, I. Vizzo, J. Behley, and C. Stachniss, “Building volumetric beliefs for dynamic environments exploiting map-based moving object segmentation,” IEEE Robotics and Automation Letters, vol. 8, no. 8, pp. 5180–5187, 2023.\n\n[^17]: B. Zhou, J. Xie, Y. Pan, J. Wu, and C. Lu, “MotionBEV: Attention-aware online lidar moving object segmentation with bird’s eye view based appearance and motion features,” IEEE Robotics and Automation Letters, vol. 8, no. 12, pp. 8074–8081, 2023.\n\n[^18]: X. Chen, B. Mersch, L. Nunes, R. Marcuzzi, I. Vizzo, J. Behley, and C. Stachniss, “Automatic labeling to generate training data for online lidar-based moving object segmentation,” IEEE Robotics and Automation Letters, vol. 7, no. 3, pp. 6107–6114, 2022.\n\n[^19]: C. R. Qi, W. Liu, C. Wu, H. Su, and L. J. Guibas, “Frustum pointnets for 3d object detection from rgb-d data,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2018, pp. 918–927.\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. 图表全索引\n\n| 编号 | 标题/说明 | 类型 | 位置 | 支撑的结论/主张 | 重要度评分 |\n| --- | --- | --- | --- | --- | --- |\n| Fig. 1 | BEV 对比：LV-DOT（上）、Dynablox（中）、STORM（下）在三种递增杂乱程度实验中的检测结果 | 定性对比图 | 摘要前（第 I 节之前） | 直观展示 STORM 在 proximity-induced false negatives 和部分遮挡下仍能检测所有障碍，而对比方法出现漏检 | 5 |\n| Fig. 2 | 系统架构：点云与 ego state 并行进入 OGM 流水线和 GridNet 流水线，融合后输出检测 | 系统架构图 | 第 III 节开头 | 说明双流水线并行、融合机制及数据流 | 5 |\n| Fig. 3 | 行人穿越含 21 个静态障碍房间时的 precision/recall/F1 曲线 | 定量曲线图 | 第 IV.C 节附近（Table II 之后） | STORM 在强遮挡和 proximity 漏检场景中 recall/F1 高于其他方法 | 4 |\n| Fig. 4 | 四旋翼在空房间高速飞行（0-5 m/s）时的 precision/recall/F1 曲线 | 定量曲线图 | 第 IV.D 节附近 | STORM 对高速、低点密度目标 recall/F1 显著更高 | 4 |\n| Fig. 5 | 含 31 个静态障碍的实验场景照片 | 实验场景图 | 第 IV.A 节 | 说明 dense obstacle configuration 产生部分遮挡和窄通道，用于压力测试 | 3 |\n| Table I | 行人动态障碍下，4/16/31 个静态障碍、三种距离阈值下的 precision/recall/F1/position error | 定量结果表 | 第 III.A 节中（内容对应第 IV.C 节） | STORM 在杂乱环境中 recall/F1 提升，precision 和 position error 与 SOTA 相当 | 5 |\n| Table II | 四旋翼动态障碍下，0/11/26 个静态障碍、三种距离阈值下的指标 | 定量结果表 | 第 IV.A/IV.D 节附近 | STORM 对训练中未出现的四旋翼仍有效；LV-DOT 完全失效 | 5 |\n| Table III | OGM 与 GridNet 流水线各阶段平均处理时间 | 运行时间表 | 第 IV.E 节 | OGM 25.46 ms、GridNet 69.46 ms，满足实时运行 | 3 |\n\n### 2. 优先精读图表（Top-priority deep reads）\n\n1. **Fig. 2 + Algorithm 1（系统架构与融合逻辑）**：这是理解 STORM 核心贡献的关键。需要结合第 III-A、III-B、III-C 节，弄清 3D 检测、2D 动态网格、EKF 估计三者如何通过贪心关联和距离阈值融合，以及如何用 2D 检测恢复 3D 漏检。\n2. **Table I（行人实验结果）**：重点看 31 个静态障碍、distThresh=0.25m 时 STORM 与 Dynablox、STORM NG 的 recall/F1 差异，验证“杂乱环境下显著减少漏检”的核心主张。\n3. **Table II（四旋翼泛化实验）**：重点看 LV-DOT 全零结果以及 STORM 在 0/11/26 个障碍下的表现，验证类无关动态先验对未见目标的泛化能力。\n4. **Fig. 1（定性对比）**：逐列观察 LV-DOT 的 proximity 漏检、Dynablox 的部分遮挡漏检，以及 STORM 的恢复效果，理解问题定义和失败模式。\n5. **Fig. 3 / Fig. 4（单实验曲线）**：观察 precision/recall/F1 随时间的变化，理解 STORM 在哪些时刻恢复检测，以及高速目标场景下 OGM 方法的失效原因。\n\n### 3. 图表关系 / 实验设置图\n\n#### 3.1 系统数据流关系\n\n```text\n[LiDAR 点云 + 里程计]\n |\n +----------------------+----------------------+\n | | |\n OGM 流水线 (III-A) GridNet 流水线 (III-B) (并行)\n | |\n MOS + 聚类 PointPillars -> LSTM\n | -> 2D 动态网格\n 3D detections 2D detections\n | |\n +----------> 融合 (Algorithm 1, III-C) <-- EKF 估计\n |\n STORM 输出\n```\n\n#### 3.2 实验设置示意\n\n```text\n10x10 m² 室内房间\n- 传感器平台：Holybro x500 四旋翼，搭载 Mid-360 Livox LiDAR（10 Hz）\n- 真值：Vicon 动捕系统（点质量位置）\n- 静态障碍：可折叠桌 + 泡沫板，数量递增（0, 4, 11, 16, 21, 26, 31）\n- 动态障碍：行人（1-3 人）或四旋翼（0-5 m/s）\n- 对比方法：LV-DOT、LV-DOT NC、Dynablox、STORM NG、STORM\n- 评估指标：precision、recall、F1、position error，距离阈值 0-1 m\n```\n\n### 4. 图表到结论的映射\n\n| 结论 | 支撑图表 | 位置 |\n| --- | --- | --- |\n| STORM 在杂乱室内场景中减少 proximity-induced false negatives 和部分遮挡漏检 | Fig. 1, Fig. 3, Table I | Fig. 1 标题；Sec. IV-B；Sec. IV-C |\n| 融合 2D 动态网格可恢复 3D 漏检并维持跟踪 | Fig. 2, Algorithm 1, Table I（STORM vs STORM NG） | Sec. III-C；Table I |\n| 类无关动态先验可泛化到未见过的四旋翼目标 | Fig. 4, Table II | Sec. IV-D；Table II 标题 |\n| 系统满足实时性要求 | Table III | Sec. IV-E |\n| LV-DOT 受闭集检测器和相机 FOV 限制，在杂乱场景中性能大幅下降 | Fig. 1, Table I, Table II | Sec. II-A；Sec. IV-C；Sec. IV-D |\n| Dynablox 受部分遮挡和近邻检查影响，漏检较多 | Fig. 1, Table I, Table II | Sec. IV-B；Sec. IV-C；Sec. IV-D |" }