{
  "paper_id": "8f92514ed607193040610f5a748e0f06",
  "paper_title": "A Laser-Based People Tracker",
  "paper_authors": [
    "Ajo Fod",
    "Andrew Howard",
    "Maja J Matarić"
  ],
  "publication_date": "",
  "publication_venue": "Proceedings 2002 IEEE International Conference on Robotics and Automation (Cat. No.02CH37292)",
  "abstract": "This paper describes a method for real-time tracking of people in everyday environments, using multiple planar laser range-finders. People tracking is a well-studied problem in machine vision; in this paper, we adapt some of those methods to laser range-finders. We group range measurements into entities such as blobs and objects, and use a Kalman Filter to estimate trajectories for these objects. The filter is able to generate smooth trajectories, even when objects are occluded. This paper presents our evaluation of the tracker's performance in a series of four experiments.",
  "keywords": [
    "People tracking",
    "laser sensor",
    "Kalman filter",
    "occlusions"
  ],
  "paper_institutions": [
    "University of Southern California"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:46:40.766164Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本文提出了一种利用多个平面激光测距仪在日常生活环境中实时追踪人员的方法。人员追踪是机器视觉中研究充分的问题，本文将这些方法适配到激光测距仪上。我们将距离测量值分组为团块和对象等实体，并使用卡尔曼滤波器估计这些对象的轨迹。该滤波器即使在对象被遮挡时也能生成平滑的轨迹。本文通过一系列四个实验评估了追踪器的性能。我们利用背景模型和前景模型，其中背景模型用于过滤不相关的静态信息，前景模型用于预测未被背景解释的距离测量。追踪过程分为两个子任务：追踪团块和将表面分组为对象。我们使用刚体模型和子空间滤波的变体来估计状态，并利用卡尔曼滤波器处理遮挡。实验设置使用SICK平面扫描激光测距仪置于地面以上0.75–0.80米处，对准人体腰部。四个实验分别测量了定位精度、随时间漂移、动态性能（通过残差指标ε₁ = (1/T)Σ|Δ\\bar{c}_t - Δ\\hat{c}_t|²衡量）以及估计对象数量的准确性。结果表明，定位误差约为人体躯干横截面大小（约0.3米），20分钟内无显著漂移，残差方差在1–5 cm²/s之间，并且追踪器能较准确地估计对象数量，但在人员坐下或快速移动时会出现误差。未来的工作包括扩展到复杂环境中多人交互的大规模追踪，以及利用激光数据进行建图、导航和定位等应用。核心机制是通过前景团块的匹配和卡尔曼滤波实现轨迹预测和遮挡处理。\n\n### 关键要点\n- 本文利用多个平面激光测距仪进行实时人员追踪，相较于视觉传感器，激光测距仪测距精度高、不受光照影响，但缺乏颜色信息且价格昂贵。\n- 追踪方法基于背景/前景模型：背景模型利用均值和方差分类静态背景，前景模型预测未被背景解释的测量，从而分离移动对象。\n- 追踪分为团块追踪和对象追踪：团块是连续表面上的相邻前景读数，对象由多个团块组成，例如手和躯干可能构成不同的团块。\n- 实验室设置使用SICK标准平面扫描激光测距仪，距离地面0.75–0.80米，对准人体腰部这个移动较少的截面，避免人员移出扫描平面。\n- 实验一测量定位精度：使用已知位置的固定信标和人体分别测量，误差约为人体躯干截面大小（约0.3米），表明追踪器在真实条件下的精度。\n- 实验二测量随时间漂移：在20分钟内每隔5分钟记录至少40个对应点，结果显示RMS误差没有显著增加，说明追踪器无系统漂移。\n- 实验三评估卡尔曼滤波器的动态性能：定义残差指标ε₁ = (1/T)Σ|Δ\\bar{c}_t - Δ\\hat{c}_t|²，其方差在1–5 cm²/s之间，移动对象残差较高，静止对象较低。\n- 实验四评估对象数量估计：通过脚本化场景，追踪器与视觉基准相比，能够较准确地估计移动对象数量，但在人员坐下（椅子遮挡）时低估数量，在快速移动或跳跃时高估数量。\n- 追踪器设计为实时运行，在300MHz Pentium II处理器、64MB RAM和2个激光测距仪下可同时追踪10个对象；在更快的机器上使用6个激光测距仪可追踪20个对象。\n- 激光传感器的一个局限是难以获得唯一区分对象的特征，遮挡期间对象身份可能模糊；可通过多台激光在不同平面构建3D表示来改进。\n- 应用包括步态识别、活动建模、智能环境（如EasyLiving）和机器人安全设备等。\n- 追踪算法利用刚性体模型和子空间滤波的变体，通过匹配前后扫描团块来估计旋转和平移速度，并在遮挡期间利用卡尔曼滤波进行状态更新。"
}