{
  "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": "simple",
  "summary": "### 摘要\n\n本文针对杂乱室内环境中动态目标检测的可靠性问题展开研究。现有纯几何 LiDAR 管线（如基于占用栅格和聚类/启发式滤波的 Dynablox）在动态目标靠近静态结构或仅部分可见时容易产生漏检；视觉增强方法（如 LV-DOT）受限于封闭类别检测器和相机视场，难以处理新异障碍物和视场外事件。为此，本文提出 STORM，一个仅依赖 LiDAR 的框架，将基于时间占用栅格的运动分割与学习得到的鸟瞰图（BEV）动态先验相融合。系统并行运行 OGM 3D检测管线（含 EKF 跟踪）和 GridNet 2D动态网格网络（PointPillars 编码器 + LSTM 时序建模），融合模块优先使用 3D 检测，并在 3D 检测因邻近静态物体或遮挡而丢失时，用 2D 动态网格恢复轨迹；核心恢复机制为：若未关联的卡尔曼估计 k 与 2D 测量 s 满足 ||s.pos_t - k.pos_{t-1}||_2 < d_min，则用该 2D 测量的 x,y 和估计的 z 更新轨迹。实验使用 Mid-360 Livox LiDAR 和 Vicon 动捕系统，在 10x10 m² 房间内通过可折叠桌和泡沫板构造 0/4/11/16/26/31 个静态障碍物的多种杂乱场景，共运行 40 余次实验、约 84,000 个标注数据点；以精度、召回率、F1 和位置误差为指标，在距离阈值 0.25/0.5/0.75 m 下评估。结果表明，在 31 个静态障碍物场景中，STORM 相比 Dynablox 召回率提高 28.67%、F1 提高 18.50%，同时保持相近的精度和位置误差；在四旋翼动态目标实验中，即使训练数据不含四旋翼，STORM 仍能泛化检测，最高速度 5 m/s 时取得最高召回率。未来工作包括并行化点云历史处理、下采样、TensorRT 导出以及 OGM 分割优化，以降低端到端延迟并部署到 Jetson Orin 等资源受限平台；当前限制包括薄表面产生的伪影导致误报，以及 GridNet 依赖 3 帧时间窗口，对慢速小物体更易漏检。\n\n### 关键要点\n\n- STORM 是仅使用 LiDAR 的类无关动态目标检测框架，融合基于时间占用栅格图（OGM）的 3D 运动分割与基于学习得到的 BEV 动态网格先验，以解决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。\n- OGM 检测管线借鉴 Dynablox 的 temporal occupancy 思想，为每个体素维护占用/空闲时间戳，并利用“进入自由空间的物体为动态”的原则进行运动分割，随后通过聚类和最近邻检查生成 3D 检测。\n- 与 Dynablox 不同，STORM 的 OGM 不包含分层空间结构，并使用聚类密度启发式而非点计数启发式来滤除噪声，以更好处理大静态表面产生的伪影。\n- GridNet 使用 PointPillars 编码器将每帧 LiDAR 扫描转换为 BEV 伪图像，并用 LSTM 对 T=3 的扫描历史建模，输出每个 BEV 单元是否为动态的二值网格，该表示是类无关的，不依赖封闭语义类别。\n- GridNet 的训练损失为 L_total = w_BCE L_BCE + w_Dice L_Dice，其中 w_BCE=0.7、w_Dice=0.3，用于应对动态像素远少于静态像素的高度不平衡二值分割问题。\n- 融合算法优先将 3D 聚类检测与 EKF 估计进行贪心关联；对于未获得 3D 测量的估计，若其与 2D 动态网格检测的距离小于 d_min，则用 2D 测量的 x,y 和估计的 z 恢复并更新轨迹。\n- 实验在 10x10 m² 房间内进行，使用 Mid-360 Livox LiDAR（10 Hz）和 Vicon 动捕系统，通过可折叠桌和泡沫板构造 0 到 31 个静态障碍物的多种杂乱场景，共 40 余次实验、约 84,000 个标注数据点。\n- 在人类动态障碍物实验中，STORM 在 31 个静态障碍物场景下相比 Dynablox 召回率提高 28.67%、F1 提高 18.50%，且精度保持在 0.98 以上，位置误差与最优方法相差不超过 5 cm。\n- 在四旋翼动态目标实验中，GridNet 训练数据不含四旋翼，但 STORM 仍能检测该未见过的动态目标；在无静态障碍物且速度最高 5 m/s 的场景中，其 F1 比 Dynablox 高 61.10%，而 LV-DOT 因封闭类别和视场限制取得零精度/召回。\n- 运行时分析显示 OGM 管线平均 25.46 ms、GridNet 管线平均 69.46 ms，分别对应 39.28 Hz 和 14.40 Hz，满足实时运行；未来可通过并行化点云历史、下采样和 TensorRT 导出部署到 Jetson Orin 等嵌入式平台。\n- 当前限制包括薄表面产生的伪影会降低 F1，且 GridNet 依赖 3 帧时间窗口，对慢速或低点密度的物体检测效果较差；未来工作包括降低端到端延迟和优化 OGM 分割。"
}