{
  "paper_id": "6b7430eb28e379dd8cc839d5e34a690d",
  "paper_title": "LIDAR-based people detection and tracking for @home Competitions",
  "paper_authors": [
    "Álvarez-Aparicio, Claudia",
    "Guerrero-Higueras, Ángel M.",
    "Rodríguez-Lera, Francisco J.",
    "Calvo Olivera, M. Carmen",
    "Matellán Olivera, Vicente",
    "Ginés Clavero, Jonatan",
    "Martín Rico, Francisco"
  ],
  "publication_date": "",
  "publication_venue": "2019 IEEE International Conference on Autonomous Robot Systems and Competitions (ICARSC)",
  "abstract": "People tracking is a basic capability in almost any robotic application. So it is in robotic competitions, where many robot skills rely on this ability. This problem is still challenging, particularly when are implemented using low definition sensors as Laser Imaging Detection and Ranging (LIDAR) sensors in crowded environments. This paper describes a solution based on a single LIDAR sensor that uses the gait to keep a continuous identification in time and space of the individual. The system described in this article is based on PeTra (People Tracking) package, which uses convolutional neural networks to identify legs in populated environments. Experimental validation proposes a test in an apartment replicating realistic competition arena.",
  "keywords": [
    "LIDAR",
    "neural networks",
    "people tracking"
  ],
  "paper_institutions": [
    "Universidad de León",
    "Universidad Rey Juan Carlos"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:47:42.879032Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本文针对机器人竞赛（如RoboCup@Home）中的人体检测与跟踪问题，提出了一种基于单一LIDAR传感器的解决方案。该方案利用低分辨率激光传感器获取的扫描数据构建占用地图，并采用基于U-Net架构的卷积神经网络（CNN）识别腿部模式，从而实现对个体的连续时空跟踪。系统在ROS框架下实现为PeTra节点，并通过最近邻配对方法关联不同时刻的估计位置。实验在莱昂大学的可认证测试公寓（Leon@Home Testbed）中进行，使用Orbi-One机器人，并采用KIO RTLS系统提供地面真值。实验包含三个场景：单人移动、双人移动、双人交叉移动，通过欧氏距离计算误差。结果表明，在无人交叉场景下平均误差约为0.41m，但在交叉场景下误差显著增大（约0.95m和1.04m），表明当前配对方法在轨迹交叉时性能退化。未来工作包括引入卡尔曼滤波、光流等技术以提高拥挤场景下的鲁棒性，并需权衡计算成本。该系统的核心机制是利用CNN将LIDAR点云转换为腿部检测图，并通过质心计算输出人员位置，实现实时、低成本的跟踪。\n\n### 关键要点\n- 使用单一LIDAR传感器进行人体检测与跟踪，避免了多传感器融合的复杂性，且激光扫描数据易处理，帧率达20-30Hz。\n- 系统基于PeTra包，采用卷积神经网络（CNN）识别腿部，架构选用U-Net，其收缩与扩张路径可精确定位腿部模式。\n- 输入为LIDAR数据构建的二维占用地图（白色为障碍物），输出为腿部检测图，再经质心计算得到人员位置并发布为ROS消息。\n- 实验环境为Leon@Home Testbed，是欧洲机器人联盟认证的测试公寓，模拟真实家庭环境。\n- 使用Orbi-One服务机器人，其LIDAR传感器位于移动底座，配备Intel Core i7和8GB RAM。\n- 采用KIO RTLS系统提供地面真值，标签由被跟踪人员携带，锚点安装于天花板，平均误差约±30cm。\n- 实验设计三个场景：单人移动、双人移动、双人轨迹交叉，以模拟竞赛中可能出现的不同情形。\n- 误差定义为PeTra估计位置与KIO地面真值之间的欧氏距离，若PeTra缺少估计则取最大值。\n- 单人场景平均误差0.41m（σ=0.22），双人场景（不交叉）误差约0.41m和0.45m（σ=0.15,0.30）。\n- 双人交叉场景误差显著增大至0.95m和1.04m（σ=0.66,0.91），表明配对方法在轨迹交叉时失效。\n- 结果显示PeTra在无人交叉时性能良好，但交叉时波动大，需要改进关联策略。\n- 系统作为ROS节点可集成到任意移动机器人，并提供了评估数据集，但需注意在拥挤场景下的局限性。"
}