{
  "paper_id": "9533c6f4465cdf1bf89174c99315ee7d",
  "paper_title": "Cost-effective Stationary Human Detection Using 2D LiDAR for Security Robots",
  "paper_authors": [
    "Haruki Mochizuki",
    "Ryozo Kiyohara"
  ],
  "publication_date": "",
  "publication_venue": "2025 19th IIAI International Congress on Advanced Applied Informatics (IIAI-AAI-Winter)",
  "abstract": "Since the COVID-19 pandemic, Japanese industries have been facing labor shortages across various sectors. In particular, the security industry has been affected due to an aging workforce and a lack of younger employees. This shortage has also impacted university security operations, where wide-area patrols place a considerable burden on security guards. Meanwhile, advancements in robotics have enabled not only the automation of simple tasks but also those involving human interaction. As a result, the development and deployment of patrol robots have been actively pursued, with high-precision situational recognition being a critical requirement for their practical implementation. However, existing robots are typically equipped with various sensors such as LiDAR and cameras, leading to high costs that hinder their adoption in university security. In this paper, we propose a cost-effective human detection method using multiple 2D LiDAR sensors. The proposed method focuses on the detection of stationary humans, an aspect that has not been sufficiently addressed in previous research. In addition, this paper outlines the key technical components necessary for the practical deployment of patrol robots in university security operations.\n",
  "keywords": [
    "patrol robot",
    "human detection",
    "2D LiDAR",
    "cost-effective sensing",
    "campus security"
  ],
  "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": "2026-08-18T10:30:14.238966Z",
  "template_tag": "deep_read",
  "summary": "# Cost-effective Stationary Human Detection Using 2D LiDAR for Security Robots\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### 分类理由\n\n- 论文的核心贡献是提出一种基于多台 2D LiDAR 的静止人体检测方法，并利用 PointNet 进行点云分类，属于新方法/算法设计。\n- 虽然包含巡逻机器人应用场景和实验验证，但主要交付物不是完整系统平台、综述或数据集，因此归类为 `method`。\n\n### 1. Paper metadata\n\n- **Title:** Cost-effective Stationary Human Detection Using 2D LiDAR for Security Robots\n- **Authors:**\n  - Haruki Mochizuki（Graduate School of Kanagawa Institute of Technology, Atsugi, Japan）\n  - Ryozo Kiyohara（Kanagawa Institute of Technology, Atsugi, Japan；ORCID: 0009-0004-3652-5615）\n- **Publication venue or outlet:** 文档中未明确标注期刊/会议名称、年份和级别；参考文献包含 2025 年 IEEE ICCE 论文，推测可能为 2025 年前后的会议论文，但需进一步核实。\n\n### 2. Research positioning\n\n- **Research area:** 移动机器人感知、LiDAR 点云处理、人体检测、校园安防巡逻。\n- **Concrete task:** 使用多台 2D LiDAR 检测静止状态的人体，并区分人体与树木、标志牌等校园常见物体；重点解决不同朝向和不同距离下的分类问题。\n- **Target users or application scenario:** 大学校园夜间安防巡逻机器人；面向安保人员，用于发现非恶意滞留人员（如迷路的老年人）或可疑人员。\n\n### 3. Input material checklist\n\n- **PDF:** 是（提供了完整文本内容，但缺少原始版式/页码信息）。\n- **Appendix / supplement:** 无。\n- **Code link:** 未提供。\n- **Dataset link:** 未提供。\n\n### 4. Missing materials and risks\n\n- **Missing items:** 原始 PDF 文件、页码、附录/补充材料、代码仓库、数据集、实验原始点云数据、高清图表、明确的出版元数据（会议/期刊名称、年份、DOI）。\n- **Likely impact:** 无法精确引用章节位置；难以复现实验；无法验证 PointNet 训练细节和超参数；无法确认最终发表版本与同行评审状态；图表编号存在混乱（如 Fig. 2/3/7/8 重复或错位），影响结果核对。\n\n### 5. Reading route\n\n- **Step 1:** 快速浏览标题、摘要、关键词、引言和结论，确认论文类型、核心贡献和主要结论。\n- **Step 2:** 精读第 IV 节（Proposed Method），理解 2D LiDAR 安装高度、扫描聚合策略、人体物理特征选择以及 PointNet 分类流程。\n- **Step 3:** 阅读第 V 节和第 VI 节实验部分，结合 Table I–IX 和 Fig. 1–8 核对实验设置、评价指标和结果。\n- **Step 4:** 阅读第 II 节相关工作与第 III 节校园巡逻背景，评估该方法与已有 3D LiDAR、2D LiDAR 人体检测方法的差异和适用性。\n- **Step 5:** 批判性分析实验局限性（如仅针对直立姿势、训练数据规模、距离范围、环境泛化性），并对照未来工作规划后续阅读重点。\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### 1. 论文类型与类别\n\n- 类型：方法类论文（method），提出一种基于多台 2D LiDAR 的静止人体检测方法。\n- 类别：机器人感知 / LiDAR 点云分类 / 校园安防巡逻应用。\n- 依据：摘要与第 I 节明确提出“propose a cost-effective human detection method using multiple 2D LiDAR sensors”；第 IV 节给出方法细节，第 VI 节进行实验评估。\n\n### 2. 背景与研究背景\n\n- 日本安保行业劳动力短缺（第 I 节，引言）。\n- 大学校园夜间巡逻负担重，需要巡逻机器人。\n- 现有巡逻机器人多传感器成本高；3D LiDAR 点云数据量大、计算成本高。\n- 已有研究多针对移动人体检测，静止人体检测较少（第 II 节，相关工作）。\n- 本文基于 KAIT 校园场景，目标是非恶意滞留人员（如痴呆老人），聚焦直立姿势（第 III 节）。\n\n### 3. 直觉正确性检查\n\n- 关键假设 1：躯干和腿部是 2D LiDAR 稳定获取的人体部位（第 IV-A 节）。合理：头部小且高度变化大，躯干/腿部面积大、反射稳定。\n- 关键假设 2：将 LiDAR 安装在 90 cm 和 45 cm 高度可覆盖 145–170 cm 身高人群的躯干和腿部（第 IV-B 节，Table I）。合理：对应成人腰部和腿部高度。\n- 关键假设 3：多次扫描聚合可提高点密度，缓解单次扫描点稀疏问题（第 IV-C 节）。合理：静止目标在连续扫描中位置不变，聚合后点云更完整。\n- 关键假设 4：仅用正面和侧面训练即可泛化到其他朝向（第 VI-A 节）。实验显示 F 值均为 1.00，但需注意训练/测试是否独立、是否过拟合。\n- 总体：假设在校园夜间巡逻场景下基本成立，但实验条件较理想（5–20 m、直立姿势、三类目标），实际环境泛化性需进一步验证。\n\n### 4. 核心贡献\n\n1) 提出一种使用多台 2D LiDAR 的机器人人体检测方法，面向静止人体（第 I 节、第 IV 节）。\n2) 建立了用于分类的 LiDAR 射线选择方法，即从 3D LiDAR（VLP-16）中选取特定高度的单束/多束射线，降低数据量（第 VI-A 节，Table III）。\n3) 通过调整 LiDAR 数据采集周期（多次旋转聚合）扩大检测范围，并在 5–20 m 距离上验证分类精度（第 VI-B 节，Tables IV–VI）。\n4) 在 KAIT 校园巡逻场景中演示了安保巡逻机器人的运行（第 I 节贡献 (3)、第 V-B 节 Fig. 6）。\n\n### 5. 清晰度评估\n\n- 结构：总体遵循“引言—相关工作—场景—方法—实验—总结”的标准结构，章节逻辑清楚。\n- 图表：图/表数量多，但编号混乱：Fig. 2/3 与 Fig. 7/8 重复或错位；Table III 与 Table VIII/IX 标题重复（均为“F VALUE BY EACH ANGLE (HUMAN)”），影响阅读。\n- 公式：几乎没有数学公式，方法描述以文字和图表为主，缺少形式化定义。\n- 可读性：中等。第 V 节将背景差分、个人空间、蓝牙接收三个子实验混在一起，与“Preliminary Experiment”主题不完全一致；部分句子（如第 III 节中文残留“巡逻工作”）显示文本整理不完整。\n\n### 6. 继续或停止建议\n\n- 建议：继续进入第二遍精读（Module D）。\n- 理由：核心方法（2D LiDAR 多高度安装 + 扫描聚合 + PointNet 分类）与实验设计（朝向、距离）对理解低成本静止人体检测有直接价值；但需先解决图表编号混乱和实验细节缺失问题，并在精读时核对训练/测试数据划分、PointNet 参数和实际机器人部署条件。\n\n### 7. 结构大纲图\n\n```markmap\n# 论文概览\n## 引言（I）\n### 劳动力短缺与校园安保需求\n### 现有巡逻机器人成本高\n### 贡献列表\n## 相关工作（II）\n### 图像人体检测\n### 3D LiDAR 人体检测\n### 2D LiDAR 与静止人体检测\n### 定位、蓝牙认证、机器人声学\n## 校园巡逻目的（III）\n### KAIT 校园日间/夜间巡逻\n### 目标：非恶意静止人员\n## 方法（IV）\n### 人体物理特征：躯干与腿部\n### LiDAR 安装位置：90cm/45cm\n### LiDAR 旋转与多帧聚合\n### PointNet 分类与双向训练\n## 初步实验（V）\n### 背景差分\n### 个人空间测量\n### 蓝牙多目标接收\n## 实验与评估（VI）\n### 不同朝向分类精度\n### 不同距离分类精度\n## 总结（VII）\n### 结论与未来工作\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论文要解决的核心问题是：在校园安防巡逻机器人场景下，如何利用多台低成本 2D LiDAR，在降低传感器与计算成本的同时，可靠地检测静止状态的人体（尤其是夜间校园中无恶意但未获授权的滞留人员），并克服以往方法对朝向敏感、难以检测静止人员的缺陷。\n\n#### 2. 痛点或不足\n\n- **安保人力短缺**：日本安保行业因劳动力老龄化与年轻从业者不足而面临人力短缺，大学校园夜间大面积巡逻进一步加重了安保人员负担（Section I）。\n- **现有巡逻机器人成本过高**：已有巡逻机器人通常搭载 LiDAR、摄像头、红外等多种传感器，导致成本高昂，难以在大学安保中推广（Section I）。\n- **3D LiDAR 数据量过大**：3D LiDAR 虽能获取完整人体形状，但点云数据量庞大，计算资源需求高，而校园巡逻场景并不需要如此精细的信息（Section II）。\n- **静止人体检测研究不足**：多数 LiDAR 人体检测方法针对移动目标，利用时间差分或运动信息；针对静止人体的研究较少，且已有方法在环境条件、检测精度或朝向适应性上存在局限（Section I、Section II）。\n- **朝向依赖问题**：作者前期工作 [^8]、[^9] 要求人体必须从正前方被检测到，无法在任意朝向下稳定识别（Section II）。\n\n#### 3. 形式化目标或优化目标\n\n论文未给出严格的数学优化公式，但可归纳为以下设计目标：\n\n- 使用多台 2D LiDAR（安装高度约 90 cm 与 45 cm，分别采集躯干和腿部点云），在保持足够检测精度的前提下，最小化点云数据量与计算成本（Section IV-B）。\n- 通过聚合多个 LiDAR 扫描周期（5 次旋转，扫描时间小于 1 秒）提高点密度，以缓解单次扫描点稀疏导致的误分类（Section IV-C、Section VI-A）。\n- 训练仅使用正面和侧面两个标准姿态，实现对 0° 到 180° 多朝向静止人体的泛化分类（Section IV-D、Section VI-A）。\n\n#### 4. 成功标准（指标或期望性质）\n\n- **朝向鲁棒性**：在 0°、30°、60°、90°、120°、150°、180° 等朝向下，人体分类的 F 值均达到 1.00（Table III、Table IX）。\n- **距离鲁棒性**：在 5 m、10 m、15 m、20 m 距离下，Recall、Precision、F-Value 均接近或达到 1.00（Table IV、Table V、Table VI）。\n- **与常见校园物体的区分能力**：能够将人体与树木、标志牌等具有类似点云形状的物体区分开（Section VI-A、Table VIII）。\n- **实时性与实用性**：聚合 5 次 LiDAR 旋转的扫描时间小于 1 秒，满足巡逻机器人实际部署的实时性要求（Section VI-A）。\n- **检测距离与个人空间约束**：夜间应在机器人进入人体个人空间（约 2–3 m）之前完成检测，避免造成不适；实验表明在 5 m 处采集数据可满足该约束（Section V-B、Section VI-A）。\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（Strongest baselines）与比较轴\n\n- 图像/相机人体检测：Enzweiler 与 Gavrila 的单目行人检测综述 [^3]，以及人脸/动作识别 [^12][^13]。比较轴：校园夜间光照变化大、低成本相机图像质量受限，图像方法鲁棒性不足（Section II）。\n- 3D LiDAR 人体检测：Wang 等人 [^4] 使用 SVM 对 3D 点云做行人识别；Spinello 等人 [^6] 将点云分为躯干和腿部进行分层行人检测；Kirchner 等人 [^7] 利用 head-to-shoulder 特征。比较轴：3D LiDAR 点云数据量大、计算资源要求高，而校园巡逻不需要全身精细形状（Section II）。\n- 作者前期工作：Nagai 等人 [^8] 用低分辨率 2D LiDAR 加 PointNet 自编码器，在 90cm 高度检测 5m 内人体；Watanabe 等人 [^9] 用多台 2D LiDAR 但要求正前方；Mochizuki 与 Kiyohara [^10][^11] 利用两个物理特征和两个观测方向检测静止人体。比较轴：是否依赖特定朝向、检测距离、成本与计算量。\n\n### 2. 最接近的方法与关键差异\n\n- 最接近的方法：作者自己的前期工作 [^8][^9][^10][^11]，尤其是 [^11] 的静止人体检测方法。核心思想都是用 2D LiDAR 获取低数据量点云，再通过 PointNet 分类。\n- 关键差异：本文把 LiDAR 安装在约 90cm（躯干）和 45cm（腿部）两个高度（Section IV-B），通过聚合多个扫描周期提高点密度（Section IV-C），并用正面和侧面两个标准姿态训练（Section IV-D），从而在 0°–180° 多朝向和 5–20m 距离上都保持高 F 值（Section VI-A/B, Tables III–VI, VIII–IX）。前期方法 [^8][^9] 需要正前方，[^10][^11] 虽支持多朝向但检测范围有限；本文通过调整 LiDAR 数据采集周期扩展了检测范围（Section II）。\n\n### 3. 正交方向\n\n- SLAM/定位：Sawano 等人 [^15] 面向校园巡逻车的 SLAM 定位，解决机器人在哪里，与人体检测正交，但为巡逻机器人提供必要的位置信息。\n- 蓝牙身份认证：Umemura 等人 [^16] 用 RSSI 区分已注册/未注册人员，解决是谁，不依赖点云形状，与本文的物理形状分类互补。\n- 声学/个人空间：Watanabe 与 Kiyohara [^17] 研究机器人噪声与个人空间感知；本文 Section V-B 也测量了个人空间（约 2–3m），用于确定检测距离，但不属于分类方法本身。\n\n### 4. 一句话定位\n\n本文提出一种面向大学夜间巡逻机器人的低成本静止人体检测方法，用两台 2D LiDAR 在 90cm/45cm 高度采集躯干和腿部点云，通过多周期聚合和 PointNet 分类，在无需 3D LiDAR 和相机的情况下实现朝向无关、距离达 20m 的静止人体识别。\n\n### 按 Method -> core idea -> limitation 的梳理\n\n- 图像方法：Method 为相机加深度学习分类；core idea 是外观特征丰富；limitation 是夜间光照敏感、低成本相机质量不足。\n- 3D LiDAR 方法：Method 为 3D 点云加 SVM/分层模型；core idea 是完整人体几何；limitation 是数据量大、计算成本高。\n- 作者前期 2D LiDAR 方法：Method 为单/多 2D LiDAR 加 PointNet；core idea 是低数据量点云分类；limitation 是依赖正前方或检测范围有限。\n- 本文方法：Method 为双高度 2D LiDAR 加多周期聚合加 PointNet；core idea 是用躯干和腿部稳定特征实现朝向无关分类；limitation 是仅针对直立姿势，尚未覆盖坐姿/躺姿（Section VII）。\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论文提出一种基于多台 2D LiDAR 的静止人体检测方法，用于大学校园安防巡逻机器人。核心机制是：在机器人上以约 90 cm 和 45 cm 高度安装 2D LiDAR，分别采集人体躯干和腿部的点云；通过多圈扫描聚合提高点密度；使用 PointNet 对点云进行分类，训练时采用正面和侧面两个标准方向，使模型能够对任意朝向的静止人体进行分类。同时结合背景差分提取变化区域，并在机器人进入个人空间之前完成检测。\n\n### 逐步分解\n\n1. **输入采集**：2D LiDAR 在 90 cm（躯干）和 45 cm（腿部）高度采集点云（Section IV-B, Table I）。\n2. **背景差分**：将当前点云与参考地图比较，提取差异点，用于识别环境中新增物体（Section V-A, Fig. 2/3/5）。\n3. **多帧聚合**：聚合 5 次 LiDAR 旋转的数据，增加点密度，对应扫描时间小于 1 秒（Section VI-A）。\n4. **特征选择**：关注躯干和腿部，因为头部较小且易受身高影响，难以稳定采集（Section IV-A）。\n5. **分类**：使用 PointNet 分类器，训练数据包含正面和侧面视角，目标类别为人、树、标志牌（Section IV-D, VI-A）。\n6. **检测决策**：在机器人进入个人空间（约 2–3 m）之前完成分类，避免引起被检测者不适（Section V-B, Table II）。\n\n### 关键公式/模块作用\n\n- 论文未给出显式数学公式；评价指标使用 F 值：F = 2 × Precision × Recall / (Precision + Recall)，用于衡量分类精度（Table III–IX）。\n- LiDAR 安装高度：90 cm 对应躯干，45 cm 对应腿部，依据日本老年人平均身高 145–170 cm 设定（Section IV-B, Table I）。\n- 扫描聚合：将 5 次旋转的点云合并为一个点云，缓解单次扫描点密度低、随距离衰减的问题（Section IV-C, VI-A）。\n- PointNet：对无序点云进行特征提取和分类，训练两个标准方向（正面、侧面）以覆盖多朝向识别（Section IV-D）。\n\n### 流程示意图\n\n```mermaid\nflowchart TD\n  A[\"2D LiDAR 采集点云 (90cm/45cm)\"] --> B[\"背景差分提取差异点\"]\n  B --> C[\"多圈扫描聚合 (5 rotations)\"]\n  C --> D[\"PointNet 分类 (正面/侧面训练)\"]\n  D --> E[\"输出: 人/树/标志牌\"]\n  E --> F[\"在个人空间外触发告警\"]\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### 1. 数据集 / 基准列表\n\n- 未使用公开数据集或标准 benchmark；实验基于自建点云数据集，在 KAIT 校园环境采集（Section III, VI）。\n- 目标类别：人（Human）、树（Tree）、标志牌（Sign）。树因点云形状类似躯干，标志牌为常见校园物体（Section VI.A）。\n- 规模：Table VIII 显示每类观测数 400，平均点云数 Human 182、Tree 308、Sign 259。训练数据包含 6 名不同体型的受试者正面与侧面；测试数据覆盖 0°–180° 每 30° 的多个朝向（Section VI.A）。\n- 距离覆盖：5 m、10 m、15 m、20 m（Section VI.B）。\n\n### 2. 预处理与划分 / 覆盖设置\n\n- 点云获取：使用 VLP-16 3D LiDAR，从单束激光中选取所需高度的“2D”数据；为增加点密度，聚合 5 次 LiDAR 旋转，扫描时间 <1 s（Section VI.A, Table VII）。\n- 背景减除：在初步实验中，将当前环境点云与参考地图点云比较，通过阈值提取差分点，用于目标检测（Section V.A, Fig. 2/3/4）。\n- 训练/验证划分：PointNet 训练 100 epochs，batch size 32，训练/验证比例约 2:1（Section VI.A）。\n- 训练姿态覆盖：仅使用正面和侧面两种标准姿态训练，测试时覆盖 0°–180° 的多种朝向；距离实验中训练数据在 5 m 采集，测试在 5/10/15/20 m（Section VI.A/B）。\n\n### 3. 训练 / 推理 / 评估环境\n\n- 分类模型：公开的 PointNet 实现 \"Classify Point Clouds Using PointNet\"（Section IV.D, [^12]）。\n- 传感器：VLP-16，量程 100 m，垂直视场 30°(±15°)，水平视场 360°，转速 5–20 Hz（Table VII）。\n- 安装设计：论文提出在约 90 cm（躯干）和 45 cm（腿部）安装 2D LiDAR，以适应 145–170 cm 身高范围（Section IV.B, Table I）。\n- 评估指标：Recall、Precision、F-Value（Table IV–VI, VIII–IX）。\n- 主要结果：朝向实验中，0°–180° 各角度 F 值均为 1.00（Table III/IX）；距离实验中 5 m 全为 1.00，10 m 在 60° 时 F=0.99，15 m 全为 1.00（Table IV–VI）。整体上，训练正面/侧面即可泛化到其他朝向和距离。\n\n### 4. 这些选择的意义与验证内容\n\n- 成本与数据量：用 2D LiDAR/单束 3D LiDAR 替代高分辨率 3D 点云，降低计算与硬件成本，同时验证了在低点密度下仍可保持高分类精度（Section I, II, VI）。\n- 朝向鲁棒性：仅用正面/侧面训练即可识别 0°–180° 的静止人体，解决了以往方法要求正对传感器的问题（Section II, VI.A）。\n- 距离鲁棒性：通过聚合多次扫描缓解距离增加导致的点密度下降，验证了 5–20 m 范围内的稳定性（Section VI.B）。\n- 场景适配性：针对校园夜间巡逻中“非恶意滞留人员”（如痴呆老人）的直立姿态检测，并考虑个人空间（约 2–3 m）以避免机器人靠近造成不适（Section III, V.B, Table II）。\n- 局限：数据集规模较小、仅针对直立姿态、训练数据在 5 m 采集、未使用公开基准，因此结论主要作为方法可行性验证，而非大规模泛化证明（Section VII 未来工作）。\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### 1. 评价指标（Metrics）\n\n- **Precision（精确率）**：被分类为“人”的样本中真正为人的比例，用于衡量误检程度。\n- **Recall（召回率）**：真实为人的样本中被正确检出的比例，用于衡量漏检程度。\n- **F-Value（F值/F1）**：Precision 与 Recall 的调和平均，是论文中用于综合衡量分类性能的主要指标。\n- **个人空间距离（cm）**：受试者不希望机器人继续靠近的距离，用于评估巡逻机器人接近时的舒适度与安全性（Section V-B, Table II）。\n- **平均点云数量**：每个类别观测样本的平均点云点数，用于说明输入数据规模（Table VIII，但该表标题与内容不一致）。\n\n### 2. 主要结果（Main Results）\n\n- **朝向分类结果**：Table III 和 Table IX 显示，在 0°–180°（步长 30°）共 7 个朝向下，人的 F-Value 均为 1.00。说明仅用正面和侧面训练即可泛化到其他朝向。\n- **距离分类结果**：\n  - Table IV（5m）：0°、30°、60°、90° 的 Recall、Precision、F-Value 均为 1.00。\n  - Table V（10m）：0°、30°、90° 均为 1.00；60° 时 Recall=0.99、Precision=1.00、F-Value=0.99。\n  - Table VI（15m）：0°、30°、60°、90° 均为 1.00。\n  - 文本称还测试了 20m 距离，但未给出对应的 20m 表格；实际表格编号存在混乱（Tables V–IX 与内容不完全对应）。\n- **数据规模**：Table VIII（标题为“F VALUE BY EACH ANGLE (HUMAN)”，但内容为类别统计）显示 Human、Tree、Sign 各 400 个观测，平均点云数分别为 182、308、259。\n- **个人空间实验结果**：Table II 显示，Stone 路面上 Front(Open)=229.3cm、Front(Close)=280.4cm、Behind=227.8cm；Asphalt 路面上分别为 239.2cm、312.8cm、250.4cm。闭眼时个人空间增大，说明夜间应在机器人进入个人空间之前完成检测。\n\n### 3. 与基线/已有工作比较（Comparison）\n\n- 与作者团队先前工作 [^8] 比较：先前方法使用低分辨率 2D LiDAR 和 PointNet 自编码器，传感器高度约 90cm，仅能检测 5m 内且要求正前方；本文使用多个 2D LiDAR（约 90cm 和 45cm）并聚合多次扫描，扩展了朝向和距离范围。\n- 与 [^9] 比较：先前多 2D LiDAR 方法仍要求正前方检测；本文改进为可识别任意朝向。\n- 与 [^10][^11] 比较：先前工作利用两个物理特征和两个观测方向实现静止人体检测；本文通过调整 LiDAR 数据采集周期扩大检测范围。\n- 与 [^6] 比较：相关工作通过多高度 3D 点云达到最高 96% 的分类率，但依赖高分辨率 3D LiDAR 和较强计算资源；本文采用 2D LiDAR 以降低成本，同时保持高 F 值。\n- 需要指出：本文实验未在相同数据集或统一实验条件下与上述方法进行数值对比，因此上述比较主要是定性比较。\n\n### 4. 消融/敏感性/跨论文差异（Ablations & Sensitivity）\n\n- **朝向敏感性**：训练数据仅包含正面和侧面，测试覆盖 0°–180° 的多个朝向，F 值几乎全为 1.00，说明方法对朝向不敏感。\n- **距离敏感性**：5m、10m、15m 均保持高精度；10m 的 60° 方向出现唯一一次 F=0.99，说明多次扫描聚合有效缓解了点云密度随距离下降带来的精度损失。\n- **个人空间敏感性**：闭眼时个人空间距离明显增大（Stone 从 229.3cm 增至 280.4cm；Asphalt 从 239.2cm 增至 312.8cm），说明视觉感知影响舒适距离；路面材质也有影响，Asphalt 上的距离略大于 Stone。\n- **跨论文差异综合**：本文与 [^8][^9][^10][^11] 属于同一团队的系列工作，差异主要体现在传感器安装高度、扫描聚合次数、训练视角和检测距离范围。但论文未提供统一基准下的逐项消融实验，因此无法量化每个设计选择对最终精度的独立贡献。\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- **姿态与朝向不变性的理论建模**：论文实验表明，仅用正面和侧面训练即可实现多朝向分类（第 VI.A 节，Table III/IX），但缺乏对朝向变化下点云分布差异的理论解释。可进一步建立人体躯干与腿部在不同朝向下的几何模型，分析点云稀疏性、遮挡与分类置信度之间的关系。\n- **多扫描聚合的采样理论分析**：第 IV.C 节提出通过聚合多次 LiDAR 扫描提高点密度，但未给出聚合次数与检测精度之间的理论界限。可研究点云密度、距离、扫描次数与分类误差之间的数学关系，为自适应扫描策略提供理论依据。\n\n#### 工程方向\n\n- **低成本多 2D LiDAR 的实时融合与部署**：论文提出使用多台 2D LiDAR 替代 3D LiDAR（第 I 节、第 IV.B 节），但未详细说明多传感器标定、时间同步和实时融合的工程实现。后续可探索轻量级标定方法、嵌入式平台上的 PointNet 推理加速，以及与巡逻机器人导航系统的集成。\n- **与现有安防系统的协同**：论文相关工作涉及蓝牙身份验证（[^16]）和个人空间测量（第 V.B 节），后续可将静止人体检测与蓝牙认证、SLAM 定位（[^15]）结合，构建完整的校园安防机器人系统，实现可疑人员识别、定位和报警联动。\n\n#### 数据与评估方向\n\n- **扩展姿态与场景数据集**：论文未来工作提到需评估坐姿、躺姿等非直立姿态（第 VII 节），同时应补充更多样化的体型、服装、遮挡条件以及不同天气和光照环境下的数据，避免过拟合。\n- **长距离与复杂背景的鲁棒性评估**：当前实验距离为 5–20 m（第 VI.B 节），但校园夜间存在树木、标志牌、路灯柱等类人体物体。后续应构建包含更多干扰物类别、不同密度和动态障碍物的基准数据集，并评估误报率、漏报率及在真实巡逻路线上的端到端性能。\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：现实世界应用中的表现\n\n#### 1. 部署场景与约束\n\n- 目标场景：日本大学校园（KAIT）夜间安防巡逻，重点检测非恶意滞留人员（如走失的老年人）和可疑人员（第 III 节）。\n- 成本约束：论文明确指出现有巡逻机器人因搭载 LiDAR、相机、红外等多类传感器而成本过高，难以在大学安防中推广；因此本方法仅使用多台 2D LiDAR 以降低成本（第 I 节）。\n- 物理安装约束：LiDAR 安装高度约为 90 cm（对应躯干）和 45 cm（对应腿部），以适配 145–170 cm 的老年人身高范围（第 IV-B 节，Table I）。\n- 环境与巡逻约束：夜间校园出入口大多关闭，未授权进入者被视为可疑；机器人需要在进入个人空间（约 2–3 m）之前完成检测，以避免引起不适或惊动目标（第 V-B 节，Table II）。\n- 运行模式约束：单次 LiDAR 扫描点密度低，机器人需接近目标并聚合多次扫描（5 次旋转，对应 <1 s 扫描时间）以提高点云密度（第 VI-A 节）。\n\n#### 2. 计算与延迟影响\n\n- 分类采用 PointNet 管线，训练配置为 100 epochs、batch size 32，训练/验证比约 2:1（第 VI-A 节）。\n- 推理阶段仅需对聚合后的点云进行分类，计算量低于 3D LiDAR 全点云处理，符合低成本、低计算资源需求（第 II 节）。\n- 聚合 5 次 LiDAR 旋转的扫描时间小于 1 秒，满足巡逻机器人实时检测的基本要求（第 VI-A 节）。\n- 背景差分需要将当前点云与参考地图比较，并设置适当阈值提取差异点；该过程增加额外计算，但论文未给出具体延迟数值（第 V-A 节）。\n\n#### 3. 鲁棒性与安全性\n\n- 朝向鲁棒性：仅用正面和侧面训练，即可在 0°–180° 多朝向下取得接近 1.00 的 F 值（Table III、Table IV、Table IX），说明方法对视角变化较稳健。\n- 距离鲁棒性：在 5 m、10 m、15 m 距离下均保持高精度（Table IV–VI），表明多扫描聚合能缓解远距离点云稀疏问题。\n- 物体区分能力：将人、树木、标志牌作为分类目标，树木因躯干状点云被纳入训练，实验显示可正确区分（第 VI-A 节）。\n- 已知局限：仅针对直立姿势，坐姿和躺姿未覆盖（第 VII 节）；训练数据来自 6 名受试者，体型多样性有限（第 VI-A 节）；未验证遮挡、恶劣天气、夜间光照变化等复杂条件。\n- 安全与人机交互：机器人运行噪声是个人空间不适的主要来源，闭眼时个人空间增大（Table II），因此系统需在进入个人空间前完成检测并报警，避免惊吓目标。\n- 误报/漏报风险：若频繁误报，保安需反复人工核实，反而增加负担；漏报则可能漏掉可疑人员（第 I 节）。\n- 隐私与伦理：夜间自动检测并报告人员位置，涉及人员定位数据；蓝牙认证方法（第 V-C 节）使用个人智能手机信号，需考虑数据授权与隐私保护。\n\n#### 4. 可维护性\n\n- 模型维护：PointNet 分类器需要针对校园环境中的新物体（如不同树木、标志牌、临时设施）重新采集数据并微调或重新训练；训练数据需包含多样体型以避免偏差（第 IV-A 节）。\n- 传感器维护：多台 2D LiDAR 的安装高度、角度和同步需要定期校准；数据聚合逻辑依赖稳定的多传感器配置（第 IV-B/C 节）。\n- 地图维护：背景差分依赖参考地图，校园活动或临时障碍物会导致地图变化，需结合 SLAM 定位方法动态更新地图（第 II 节，参考文献 [^15]）。\n- 系统集成：实际部署需与保安报告系统、蓝牙身份认证系统联动；RSSI 受设备差异影响，需通过定向接收和铝箔遮挡等方式补偿（第 V-C 节）。\n- 长期运维：作为低成本方案，2D LiDAR 的耐用性、清洁、防水防尘等维护需求需在真实校园环境中进一步验证；论文未提供长期运行数据。\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\n\n本文针对日本安保行业劳动力短缺以及大学校园夜间巡逻负担重的问题，提出一种基于多台 2D LiDAR 的静止人体检测方法（第 I 节、第 III 节）。方法利用躯干和腿部的点云特征，将 LiDAR 安装在约 90 cm 和 45 cm 高度，以适应 145–170 cm 的老年人身高范围（第 IV-B 节、Table I）。为弥补单次扫描点密度不足的问题，机器人靠近目标并聚合多次连续扫描，以提高点云密度和分类稳定性（第 IV-C 节）。分类采用 PointNet，以正面和侧面两个方向训练，从而支持多朝向的静止人体识别（第 IV-D 节）。实验表明，在 0°–180° 范围内人体分类 F 值均为 1.00（Table III/IX），在 5 m、10 m、15 m 距离下 F 值接近或等于 1.00（Table IV–VI）。论文还开展了背景差分、个人空间距离和蓝牙 RSSI 定向接收实验，为巡逻机器人实际部署提供参考（第 V 节）。局限在于仅针对直立姿势，未来工作将扩展至坐姿/躺姿以及非人体障碍物分类（第 VII 节）。\n\n### 五个关键要点\n\n1. **低成本感知**：使用多台 2D LiDAR 替代 3D LiDAR 与相机组合，降低巡逻机器人成本，适合大学安防场景（第 I 节）。\n2. **静止人体检测**：重点检测非恶意滞留人员（如迷路老人），区别于已有研究主要关注的移动人体检测（第 III 节）。\n3. **多扫描聚合**：聚合 5 次 LiDAR 旋转（扫描时间小于 1 s）提高点密度，缓解远距离点云稀疏问题（第 VI-A 节）。\n4. **两方向训练泛化**：仅用正面和侧面训练数据即可在 0°–180° 多朝向上取得高分类性能（第 VI-A 节、Table III/IX）。\n5. **部署相关实验**：个人空间约 2–3 m，且闭眼时距离增大，因此机器人应在进入个人空间前完成检测；蓝牙定向 RSSI 可用于辅助身份验证（第 V-B/C 节、Table II）。\n\n### 核心公式/机制\n\n**多扫描聚合 + PointNet 分类**：\n\n\\[\nP_{\\text{agg}} = \\bigcup_{i=1}^{5} S_i, \\quad\nF_1 = 2 \\cdot \\frac{\\text{Precision} \\cdot \\text{Recall}}{\\text{Precision} + \\text{Recall}}\n\\]\n\n其中 \\(S_i\\) 为第 \\(i\\) 次 LiDAR 扫描得到的点云，\\(P_{\\text{agg}}\\) 为聚合后的点云，输入 PointNet 进行人体/树木/标志牌分类；\\(F_1\\) 用于评估分类精度（第 IV-C/D 节、第 VI 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### 1. 结构树（Structure Tree）\n\n- **标题/摘要/关键词**：点明研究目标为面向校园安保巡逻机器人的低成本静止人体检测方法，使用多台 2D LiDAR，关键词包括 patrol robot、human detection、2D LiDAR、cost-effective sensing、campus security。\n- **I. Introduction**：从日本安保行业劳动力短缺切入，说明大学夜间巡逻需求；指出现有巡逻机器人传感器成本高，提出用多台 2D LiDAR 检测静止人体的思路；列出三点贡献：机器人人体检测方法、LiDAR 射线选择方法、巡逻机器人运行演示。\n- **II. Related Studies**：综述基于图像、3D LiDAR、2D LiDAR 的人体检测方法；对比已有工作，指出静止人体检测研究较少，且已有方法受角度、环境条件限制；引用本团队前期工作 [^8] [^9] [^10] [^11] 说明改进点。\n- **III. Purpose of Patrol Security on the KAIT Campus**：介绍神奈川工科大学（KAIT）校园日间/夜间巡逻目标；夜间主要检测可疑人员与物体；说明非恶意滞留者（如迷路老人）是重点对象；Fig. 1 给出校园地图。\n- **IV. Proposed Method**：\n  - A. Human Physical Characteristics：选择躯干和腿部作为稳定点云特征，考虑体型差异。\n  - B. LiDAR Installation Location：根据日本老年人平均身高（Table I），将两台 LiDAR 分别安装在约 90 cm 和 45 cm 高度。\n  - C. LiDAR Rotation：通过聚合多个扫描周期提高点密度，缓解单次扫描点稀疏问题。\n  - D. Human Learning in Classification：使用 PointNet 对点云分类，训练正面和侧面两个方向的人体特征。\n- **V. Preliminary Experiment**：包含背景差分、个人空间测量、蓝牙定向接收三个预实验；对应 Fig. 2–8 与 Table II。\n- **VI. Experiments and Evaluation**：\n  - A. Classification Accuracy for Various Person Orientations：测试 0°–180° 朝向的分类准确率。\n  - B. Classification Accuracy at Different Distances：测试 5 m、10 m、15 m、20 m 距离下的分类性能。\n- **VII. Summary**：总结方法可在仅训练正面/侧面姿态的情况下分类任意朝向的静止人体；未来工作包括非直立姿态和更多障碍物测试。\n- **References**：列出相关文献，包含本团队前期 ICCE、COMPSAC、IHIET 等工作。\n\n### 2. 方法/系统分解（Method / System Breakdown）\n\n- **输入**：多台 2D LiDAR（文档实验中使用 VLP-16）采集的点云数据；安装高度约 90 cm（躯干）和 45 cm（腿部）；每个点云由 5 次 LiDAR 旋转聚合而成，扫描时间小于 1 s（Section VI.A）。\n- **预处理**：\n  - 背景差分：将当前环境点云与参考地图点云比较，提取差分点作为候选目标（Section V.A，Fig. 4/5）。\n  - 点云聚合：多扫描周期叠加，提高点密度，缓解距离增大导致的点云稀疏问题（Section IV.C）。\n- **特征选择**：关注躯干和腿部点云，而非头部；依据日本老年人身高范围 145–170 cm 确定 LiDAR 安装高度（Section IV.A/B，Table I）。\n- **分类模型**：采用公开的 PointNet 管线“Classify Point Clouds Using PointNet”[^12]；PointNet 对点序不敏感，适合无序点云分类；训练数据包含正面和侧面两个方向的人体，以及树木、标志牌等非人体类别（Section IV.D）。\n- **输出**：目标类别标签，即 Human / Tree / Sign；用于巡逻机器人判断是否存在静止可疑人员。\n- **训练/推理流程**：\n  1. 采集多方向、多距离、多体型的点云数据；\n  2. 以正面和侧面样本训练 PointNet 分类器；\n  3. 推理时，机器人接近目标并聚合多次扫描；\n  4. 对差分点云执行 PointNet 分类，输出类别。\n- **损失函数/训练细节**：文档未明确给出损失函数形式；训练配置为 100 epochs、batch size 32、训练/验证比例约 2:1（Section VI.A）。\n\n### 3. 重要图表解读\n\n- **Table I（Average Height of Japanese Elderly People）**：该表给出 60–69、70–79、80+ 三个年龄段的日本老年人平均身高，男性分别为 167.4、163.1、161.1 cm，女性分别为 154.0、149.4、146.6 cm。该表直接支撑了 LiDAR 安装高度选择：为覆盖 145–170 cm 身高范围，将传感器安装在 90 cm 和 45 cm 以分别获取躯干和腿部点云（Section IV.B）。\n- **Table III（F Value by Each Angle, Human）**：该表显示在 5 m 距离下，人体朝向从 0°（正面）到 180°（背面）每隔 30° 测试，F 值均为 1.00。这说明仅用正面和侧面训练数据训练的 PointNet 分类器，能够泛化到任意朝向的静止人体，是论文核心主张“与朝向无关的静止人体检测”的主要证据（Section VI.A）。\n- **Table IV–VI（F Value by Distance）**：分别对应 5 m、10 m、15 m 距离下不同角度（0°–90°）的 Recall、Precision、F-Value。5 m 和 15 m 下所有角度均为 1.00；10 m 下 60° 时 Recall 为 0.99、Precision 为 1.00、F 值为 0.99。这些结果说明多扫描聚合能在距离增大、点云密度下降时保持较高准确率（Section VI.B）。\n- **Table VII（Performance of LiDAR）**：列出 VLP-16 参数：量程 100 m、垂直视场 30°（±15°）、水平视场 360°、转速 5–20 Hz。该表说明实验所用 LiDAR 的感知能力，也解释了为何单次扫描点密度有限、需要聚合多次旋转。\n- **Table VIII（Observations and Average Number of Pointcloud）**：Human、Tree、Sign 各 400 个观测，平均点数分别为 182、308、259。该表说明树木点云数量最多，形状上与人体躯干相似，是主要易混淆对象。\n- **图表编号问题**：文档中图编号混乱，例如 Fig. 2/3 与 Fig. 7/8 重复出现，且正文引用与图题不完全对应；阅读时应以图题内容为准，避免因编号错位误解实验设置。\n\n### 4. 实验/评估细节\n\n- **数据集**：\n  - 训练数据：6 名体型多样的受试者，采集正面和侧面点云；目标类别为 Human、Tree、Sign（Section VI.A）。\n  - 测试数据：人体朝向从 0° 到 180° 每 30° 一个方向；距离为 5 m、10 m、15 m、20 m；树木和标志牌在不同距离采集。\n  - 每类观测数：Human、Tree、Sign 各 400 个观测（Table VIII）。\n- **评价指标**：Recall、Precision、F-Value。\n- **实验设置**：\n  - LiDAR 型号：VLP-16（Table VII）。\n  - 点云聚合：5 次 LiDAR 旋转聚合为一个点云，扫描时间小于 1 s（Section VI.A）。\n  - 训练配置：PointNet，100 epochs，batch size 32，训练/验证比例约 2:1（Section VI.A）。\n  - 训练数据采集距离：5 m；测试距离扩展到 10–20 m（Section VI.B）。\n- **主要结果**：\n  - 朝向实验：5 m 距离下所有朝向 F 值均为 1.00（Table III）。\n  - 距离实验：5 m、15 m 下各角度 F 值均为 1.00；10 m 下仅 60° 出现 0.99 的 F 值（Table IV–VI）。\n  - 文档未给出 20 m 的完整表格，但文字称“High accuracy was maintained across distances”（Section VI.B）。\n- **对比目标**：文档未设置外部基线方法对比，仅与树木、标志牌两类非人体目标进行区分；未与 3D LiDAR 方法或图像方法做定量比较。\n- **消融实验**：没有显式消融实验；但通过“仅训练正面/侧面、测试多朝向”和“训练于 5 m、测试于更远距离”两种设置，间接验证了训练策略的泛化性。\n- **公平性/局限性**：\n  - 训练数据包含多种体型，但未说明性别、年龄、服装的分布；\n  - 仅针对直立姿势，未覆盖坐姿、躺姿（Section VII）；\n  - 实验在校园环境进行，树木和标志牌作为负类，未覆盖其他可能物体；\n  - 文档未报告 20 m 的逐角度数据，结果完整性不足。\n\n### 5. 面向方法类论文的图示（Diagram）\n\n```mermaid\nflowchart TD\n    A[多台 2D LiDAR 安装于 90cm/45cm] --> B[多扫描周期聚合 5 rotations]\n    B --> C[背景差分提取候选点云]\n    C --> D[PointNet 分类器]\n    D --> E{分类结果}\n    E --> F[Human]\n    E --> G[Tree / Sign]\n    H[训练数据：正面+侧面、多种体型] --> D\n```\n\n该图概括了论文方法的完整流程：多高度 2D LiDAR 采集 → 多周期聚合 → 背景差分 → PointNet 分类 → 输出人体/非人体；训练阶段仅需正面和侧面样本，即可在推理阶段处理任意朝向的静止人体。\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# 第三遍深度评审（Module E）\n\n## 1. 可重建性（Reconstructability）\n\n- **总体可重建程度：中等。** 论文给出了方法流程、传感器配置和关键实验参数，但缺少若干实现细节，完全复现需要补充信息。\n\n- **重建伪代码：**\n\n```text\n输入：2D LiDAR 点云序列（两个安装高度：约 90 cm 用于躯干，约 45 cm 用于腿部）\n1. 对每个 LiDAR 扫描周期采集点云\n2. 将连续 5 次旋转/扫描聚合为一个点云（扫描时间 < 1 s）\n3. 背景减除：与参考地图点云比较，设定阈值提取差分点（Section V-A, Fig. 4）\n4. 从差分点云中提取人体相关点（躯干/腿部特征）\n5. 使用 PointNet 分类器（基于 \"Classify Point Clouds Using PointNet\" [12]）对点云分类\n6. 输出类别：人 / 树 / 标志牌\n```\n\n- **关键参数：**\n  - LiDAR：VLP-16，量程 100 m，垂直视场 ±15°，水平视场 360°，转速 5–20 Hz（Table VII）。\n  - 训练：100 epochs，batch size 32，训练/验证比例约 2:1（Section VI-A）。\n  - 训练数据：6 名受试者，包含正面和侧面视角，覆盖多种体型（Section VI-A）。\n  - 测试条件：角度 0°–180°，步长 30°；距离 5 m、10 m、15 m、20 m（Section VI-A, VI-B）。\n\n- **缺失细节：** 背景减除阈值的具体数值、PointNet 输入点云数量与归一化方式、数据增强策略、训练/测试集划分细节、多台 2D LiDAR 点云的融合方式（直接拼接还是分别处理）、机器人平台与计算硬件、实时推理时间等均未给出。因此，第三方复现需要自行补全这些设计选择。\n\n## 2. 假设（Assumptions）\n\n- 目标人群身高范围为 145–170 cm，因此将 LiDAR 安装在约 90 cm 和 45 cm 高度可稳定获取躯干和腿部点云（Section IV-B, Table I）。\n- 检测对象为直立姿势（standing），不覆盖坐姿或躺姿；论文明确说明当前聚焦于校园安保人员最常观察到的直立姿态（Section III, VII）。\n- 非恶意滞留者在机器人接近时可能保持静止，而恶意入侵者倾向于移动或躲避，因此需要专门检测静止人体（Section IV）。\n- 校园环境中的主要干扰物是树木和标志牌，且其点云形状与人体躯干相似，因此分类任务只考虑这三类（Section VI-A）。\n- 夜间巡逻时，机器人应在进入个人空间（约 2–3 m）之前完成检测，以避免引起不适或惊动目标（Section V-B, Table II）。\n- 2D LiDAR 的稀疏点云通过多帧聚合后足以区分人体与常见物体，且训练正面/侧面即可泛化到其他朝向（Section IV-C, VI-A）。\n\n## 3. 失败模式或盲点（Failure Modes / Blind Spots）\n\n- **仅支持直立姿势：** 论文在 Section III 中承认校园中可能出现坐姿、躺姿等非直立状态，但实验和训练均未覆盖这些姿态，因此实际部署时可能漏检坐/躺人员。\n- **训练数据规模小且受试者有限：** 仅 6 名受试者，虽然声称包含多种体型，但不足以代表真实校园中的人群多样性，存在过拟合风险（Section VI-A）。\n- **背景减除依赖参考地图和阈值：** 动态环境（如移动物体、临时设施、季节变化）可能导致差分点提取不稳定；论文未给出阈值具体值，也未评估地图过期或配准误差的影响（Section V-A）。\n- **实验场景过于简化：** 只包含人、树、标志牌三类目标，未评估自行车、长椅、路灯柱、背包、雨伞等校园常见物体，也未测试雨天、雾天、强光等恶劣条件（Section VI, VII）。\n\n## 4. 优势与劣势（Strengths and Weaknesses）\n\n### 优势\n\n- **成本效益高：** 使用多台 2D LiDAR 替代 3D LiDAR 和相机，降低传感器与计算成本，适合大学安保预算有限的场景（Section I）。\n- **方向无关性：** 仅用正面和侧面训练，即可在 0°–180° 各角度达到 F=1.00（Table III/IX），显著改进了先前方法对正前方检测的限制（Section II）。\n- **距离鲁棒性：** 在 5 m 距离训练，在 10 m、15 m、20 m 仍保持接近 1.00 的 F 值（Table IV–VI），说明多帧聚合有效缓解了点云稀疏问题（Section IV-C）。\n- **面向实际部署：** 包含个人空间测量、蓝牙认证等配套实验，考虑了夜间巡逻中的人机交互和身份核验需求（Section V-B, V-C）。\n\n### 劣势\n\n- **实验报告不完整且编号混乱：** 图 2/3/7/8 出现重复或错位，表格编号与正文引用不一致（如 Table III 同时表示角度 F 值和 LiDAR 性能），严重影响可读性和可验证性。\n- **缺乏基线对比：** 未与 3D LiDAR 方法、相机方法或先前 2D LiDAR 方法在同一数据集上比较精度、成本、延迟等指标（Section II, VI）。\n- **评价指标单一：** 主要报告 F 值，未给出混淆矩阵、PR 曲线、推理时间、计算资源占用等，难以全面评估方法性能。\n- **数据规模小：** 每类 400 个观测（Table VIII），且未说明是否来自不同时间、地点和光照条件，泛化性存疑。\n- **未提供代码/数据链接：** 论文未公开代码、数据集或训练细节，复现门槛较高。\n\n## 5. 下一步研究方向（Next-Step Research Directions）\n\n- **扩展姿态范围：** 将坐姿、躺姿纳入训练和测试，并评估不同 LiDAR 安装高度对非直立姿态的检测能力（Section VII）。\n- **增加干扰物类别和场景多样性：** 引入自行车、长椅、路灯柱、雨天/雾天点云等，验证方法在真实校园环境中的泛化性（Section VI, VII）。\n- **提供完整实现与基准测试：** 公开代码、数据集和详细超参数，并与 3D LiDAR、相机方法进行公平对比，量化成本-精度-延迟权衡（Section I, II）。\n- **融合移动与静态检测：** 结合多帧时序信息，区分恶意移动入侵者与非恶意静止人员，并集成到巡逻机器人的决策与报警系统中（Section IV）。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n### 术语表\n\n| # | 术语 | 定义 | 直觉 | 在论文中的作用 | 前置知识 |\n|---|---|---|---|---|---|\n| 1 | 2D LiDAR（二维激光雷达） | 通过发射激光并测量回波时间，获取某一平面内物体距离和角度的传感器。 | 像一把“激光尺”在水平面扫一圈，得到二维轮廓。 | 论文用多台2D LiDAR在90cm和45cm高度采集人体躯干和腿部点云，实现低成本检测。 | 激光测距原理、点云概念 |\n| 2 | 3D LiDAR（三维激光雷达） | 通过多束激光或旋转机构获取三维空间点云的传感器。 | 多个2D扫描叠加成“立体点云”。 | 论文指出3D LiDAR数据量大、成本高，因此改用多台2D LiDAR。 | 2D LiDAR、点云 |\n| 3 | Point cloud（点云） | 空间中大量点的集合，每个点包含三维坐标（有时含强度）。 | 用大量小点勾勒物体形状。 | 人体检测的原始输入，分类器基于点云判断目标是人、树还是标志牌。 | 坐标系、传感器 |\n| 4 | PointNet | 直接处理点云的神经网络，通过共享MLP和最大池化实现置换不变性。 | 不管点云中点的顺序如何，都能提取全局特征。 | 论文使用公开PointNet实现对人/树/标志牌的分类。 | 深度学习、MLP、最大池化 |\n| 5 | Autoencoder（自编码器） | 通过编码-解码重建输入的无监督神经网络。 | 先压缩再还原，学习数据核心特征。 | 作者此前工作用PointNet-based autoencoder进行人体检测，本文沿用PointNet分类思路。 | 神经网络、降维 |\n| 6 | SVM（支持向量机） | 一种监督学习分类器，寻找最大间隔超平面。 | 在两类数据间画一条“最宽”的分界线。 | 相关工作[^4][^5]用SVM分类行人/腿部点云，本文用PointNet替代。 | 监督学习、线性分类 |\n| 7 | SLAM（同步定位与建图） | 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。 | 一边走一边画地图，同时知道自己在地图哪里。 | 相关工作[^15]用于校园巡逻机器人定位；本文的巡逻机器人需要SLAM支持导航。 | 概率机器人学、传感器融合 |\n| 8 | RSSI（接收信号强度指示） | 无线信号接收功率的度量，可用于估计距离。 | 信号越强，离发射器越近。 | 相关工作[^16]用RSSI区分已注册/未注册人员，辅助夜间巡逻。 | 无线通信、信号衰减 |\n| 9 | Background subtraction（背景差分） | 将当前观测与参考背景比较，提取变化区域的方法。 | 用“旧照片”对比“新照片”，不同的地方就是可疑目标。 | 论文实验用参考地图点云与当前点云做差分，提取潜在目标。 | 点云配准、阈值处理 |\n| 10 | Personal space（个人空间） | 个体周围不愿他人进入的心理距离区域。 | 靠太近会让人不适。 | 实验测量机器人接近时受试者的不适距离（约2-3m），用于确定检测距离。 | 人机交互、心理学 |\n| 11 | F值（F-value / F1-score） | 精确率与召回率的调和平均，综合衡量分类性能。 | 精确率和召回率都高时，F值才高。 | 论文用F值评估不同角度和距离下的人体分类效果。 | Precision、Recall |\n| 12 | Precision（精确率） | 预测为正类的样本中真正类的比例。 | 查出的结果里有多少是对的。 | 与Recall一起报告分类结果。 | 混淆矩阵 |\n| 13 | Recall（召回率） | 真正类样本中被预测为正类的比例。 | 所有该找的目标里找回了多少。 | 与Precision一起报告分类结果。 | 混淆矩阵 |\n| 14 | Point cloud aggregation（点云聚合） | 将多次扫描的点云合并成一个点云，以增加点密度。 | 多拍几张照片叠在一起，细节更清楚。 | 论文聚合5次LiDAR旋转（<1s）以提高远距离人体检测精度。 | 点云、坐标变换 |\n| 15 | LiDAR ray selection（LiDAR射线选择） | 从3D LiDAR的多束激光中选取特定垂直角度的光束，模拟2D LiDAR。 | 在多层扫描中只挑“某一层”来看。 | 论文用VLP-16的单束激光在所需高度采集数据，实现低成本2D检测。 | 3D LiDAR工作原理 |\n| 16 | Torso and legs features（躯干与腿部特征） | 人体躯干和腿部在点云中呈现的宽度、形状等物理特征。 | 躯干和腿比头部更稳定，适合用2D LiDAR捕捉。 | 论文将LiDAR安装在90cm（躯干）和45cm（腿）高度，提取这些特征。 | 人体测量学、点云形状 |\n| 17 | Classification（分类） | 根据特征将输入分配到离散类别的监督学习任务。 | 给每个点云贴标签：人、树或标志牌。 | 核心方法，用PointNet对点云分类。 | 监督学习 |\n| 18 | Epoch（训练轮次） | 整个训练集被完整遍历一次。 | 把同一批练习题从头到尾做一遍。 | 论文用100个epoch训练PointNet。 | 梯度下降 |\n| 19 | Batch size（批大小） | 每次参数更新使用的样本数量。 | 一次看多少张“照片”再改一次答案。 | 论文设置batch size为32。 | 深度学习训练 |\n| 20 | Training/validation ratio（训练/验证比） | 数据集划分为训练集和验证集的比例。 | 一部分用来学习，一部分用来检查学习效果。 | 论文使用约2:1的训练/验证比。 | 数据集划分、过拟合 |\n| 21 | Stationary human detection（静止人体检测） | 检测不移动的人体，区别于基于运动信息的检测。 | 即使人站着不动，也能发现他。 | 论文核心目标，针对夜间校园中非恶意滞留人员。 | 人体检测、点云分类 |\n| 22 | Patrol robot（巡逻机器人） | 在指定区域自动巡逻并感知异常的移动机器人。 | 代替保安“遛弯”的机器人。 | 论文的应用载体，用于大学校园夜间安防。 | 移动机器人、自主导航 |\n| 23 | Campus security（校园安防） | 针对校园区域的人员、财产和秩序的安全保障。 | 大学校园的“门卫+巡逻”体系。 | 论文的应用场景，定义了检测目标和部署条件。 | 安防需求分析 |\n| 24 | Non-malicious intruder（非恶意闯入者） | 无犯罪意图但未经授权进入校园的人，如迷路老人。 | 不是坏人，但需要被找到并帮助。 | 论文重点检测对象，常处于静止状态。 | 校园出入管理 |\n| 25 | Orientation invariance（朝向不变性） | 无论目标面向哪个方向，检测/分类性能保持稳定。 | 正面、侧面、背面都能认出来。 | 论文用正面和侧面训练，测试0°-180°各角度，验证朝向泛化。 | 分类泛化 |\n| 26 | Point density（点密度） | 单位空间或单位角度内点云点的数量。 | 点越密，轮廓越清晰。 | 点密度随距离下降，论文通过多扫描聚合弥补。 | 点云采样 |\n| 27 | VLP-16 | Velodyne VLP-16激光雷达，16线3D LiDAR，垂直视场30°，水平360°，量程100m。 | 一种常见的“多线激光雷达”。 | 论文实验使用的传感器，从中选取单束激光模拟2D LiDAR。 | 3D LiDAR参数 |\n| 28 | View angle（视场角） | 传感器能够覆盖的角度范围，分垂直和水平。 | 能“看到”多大范围。 | VLP-16垂直30°、水平360°，决定点云覆盖区域。 | 传感器几何 |\n| 29 | Range（量程） | 传感器有效测量的最大距离。 | 能看多远。 | VLP-16量程100m，但论文实验距离为5-20m。 | 激光雷达原理 |\n| 30 | Differential points（差分点） | 当前点云与参考点云比较后，差异较大的点。 | “多出来”或“变了”的点。 | 用于从环境中提取潜在目标区域。 | 背景差分 |\n| 31 | Directional reception（定向接收） | 通过遮挡等方式限制无线信号接收方向。 | 给接收器戴上“眼罩”，只朝一个方向听。 | 相关工作用铝箔遮挡接收器，通过转动方向估计多个手机位置。 | 天线、RSSI |\n| 32 | Bluetooth authentication（蓝牙认证） | 利用蓝牙信号验证人员身份。 | 用手机“刷”一下证明自己是校内人员。 | 相关工作[^16]用于夜间巡逻时区分已注册和未注册人员。 | 蓝牙协议、安全认证 |\n\n### 概念依赖图（文本形式）\n\n```text\n[2D LiDAR] --采集--> [点云]\n   |\n   +-- 安装高度(90cm/45cm) --> [躯干与腿部特征]\n   +-- 多扫描聚合 --> [点密度提升] --> [远距离分类]\n   +-- 单束射线选择 --> [低成本2D数据]\n\n[点云] --> [背景差分] --> [差分点] --> [潜在目标]\n[点云] --> [PointNet分类] --> [人/树/标志牌]\n   |\n   +-- 训练数据(正面/侧面, 多体型)\n   +-- 超参数(epoch=100, batch=32, 训练/验证≈2:1)\n   +-- 评价指标(Precision/Recall/F值)\n\n[3D LiDAR] --对比--> [2D LiDAR] (成本/数据量权衡)\n[SLAM] --> [巡逻机器人导航]\n[Personal space] --> [检测距离设计]\n[RSSI/Bluetooth] --> [人员认证] (相关工作)\n```\n\n箭头表示“依赖/驱动”关系；例如，点云聚合依赖2D LiDAR采集，PointNet分类依赖点云和训练配置。\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### 1. 关键事实核查\n\n| 事实陈述 | 来源1 | 来源2 |\n|---|---|---|\n| 日本安保行业面临劳动力短缺 | 正文 I. Introduction 第1段 | 参考文献 [^1]（IMF, 2022） |\n| 现有巡逻机器人因多传感器而成本高 | 正文 I. Introduction 第4段 | 正文 II. Related Studies 对 3D LiDAR 方法的讨论 |\n| 静止人体检测研究相对不足 | 正文 I. Introduction 第5段 | 正文 II. Related Studies 对 [^6][^7] 及 [^8][^9] 局限性的评述 |\n| 方法采用多台 2D LiDAR，安装高度约 90 cm 和 45 cm | 正文 IV.B LiDAR Installation Location | Table I 中日本老年人平均身高范围 |\n| 使用 PointNet 进行点云分类 | 正文 IV.D Human Learning in Classification | 参考文献 [^14]（PointNet 原始论文） |\n| 多角度、多距离下分类 F 值接近 1.00 | 正文 VI.A 和 VI.B | Tables III–IX |\n| 个人空间约 2–3 m，闭眼时增大 | 正文 V.B Personal Space | Table II |\n| 蓝牙定向接收可估计多个手机位置 | 正文 V.C Bluetooth Reception by Multiple Persons | Figures 7/8（原文编号混乱） |\n\n以上来源均为文档内部定位；如需外部验证，应检索对应参考文献的原始出版物。\n\n### 2. 冲突与不确定性问题\n\n- **作者单位拼写**：标题页作者地址写为“Atsui, Japan”，应为“Atsugi, Japan”。\n- **图表编号混乱**：正文引用 Fig. 2/3 处实际图注为 Fig. 7/8；Fig. 5 图注为“Background subtraction point cloud data”，但正文 Fig. 4 描述差分点提取；Fig. 6 图注为“Security Robot”，但正文 Fig. 6 是蓝牙接收器实验图；Fig. 8 标题重复出现。\n- **表格编号与内容不匹配**：Table VII 标题为“PERFORMANCE OF LIDAR”，Table VIII 标题为“F VALUE BY EACH ANGLE (HUMAN)”但内容为各类别观测数和平均点数；Table III 与 Table IX 内容重复。\n- **引用错误**：正文 [^12] 被指为 PointNet 系统“Classify Point Clouds Using PointNet”，但参考文献 [^12] 是人脸识别综述；正文 [^3] 被用于 LiDAR 运动物体检测，但参考文献 [^3] 是单目行人检测综述。\n- **传感器表述不一致**：题目和摘要强调 2D LiDAR，但实验使用 VLP-16（3D LiDAR）并选取单束激光模拟 2D 数据；需确认实际部署是否使用多台 2D LiDAR。\n- **出版元数据缺失**：文档未标注会议/期刊名称、年份、DOI；参考文献含 2025 年 ICCE 论文，推测可能为 2025 年前后投稿，但无法确认。\n- **实验细节不足**：训练/验证划分、超参数、PointNet 变体、点云聚合具体实现、背景减除阈值等未完全说明。\n\n### 3. 参考文献列表\n\n[^1]: S. Kotera and 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, and 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,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 31, no. 12, pp. 2179–2195, Dec. 2009.\n\n[^4]: H. Wang, B. Wang, B. Liu, X. Meng, and 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]: W. Chung, H. Kim, Y. Yoo, C.-B. Moon, and J. Park, “The Detection and Following of Human Legs Through Inductive Approaches for a Mobile Robot With a Single Laser Range Finder,” IEEE Trans. Ind. Electron., vol. 59, no. 8, pp. 3156–3166, 2012.\n\n[^6]: L. Spinello, K. Arras, R. Triebel, and R. Siegwart, “A Layered Approach to People Detection in 3D Range Data,” in Proc. AAAI, vol. 24, no. 1, pp. 1625–1630, 2010.\n\n[^7]: N. Kirchner, A. Alempijevic, and A. Virgona, “Head-to-shoulder signature for person recognition,” in Proc. IEEE Int. Conf. Robotics and Automation, 2012, pp. 1226–1231.\n\n[^8]: Y. Nagai, Y. Sawano, Y. Terashima, T. Suzuki, and R. Kiyohara, “A Method for Detecting Human by 2D-LiDAR,” in Proc. IEEE Int. Conf. Consumer Electronics (ICCE), 2022, pp. 1–2.\n\n[^9]: T. Watanabe, Y. Terashima, and R. Kiyohara, “Standing Human Detection Method Using 2D-LiDARs,” in Proc. 2023 IEEE 47th Annual Computers, Software, and Applications Conf. (COMPSAC), 2023, pp. 1260–1265.\n\n[^10]: H. Mochizuki and R. Kiyohara, “Human Detection Method by 3D-LiDAR with Low Calculation Costs,” in T. Ahram, L. Casarotto, and P. Costa (eds.), Human Interaction and Emerging Technologies (IHIET 2024), <http://doi.org/10.54941/ahfe1005512>\n\n[^11]: H. Mochizuki and R. Kiyohara, “Stationary Human Detection Method Using 2D LiDAR,” in Proc. 2024 IEEE 48th Annual Computers, Software, and Applications Conf. (COMPSAC), Osaka, Japan, 2024, pp. 1699–1704.\n\n[^12]: R. Chellappa, C. L. Wilson, and S. Sirohey, “Human and machine recognition of faces: a survey,” Proc. IEEE, vol. 83, no. 5, pp. 705–741, 1995.\n\n[^13]: R. Poppe, “A survey on vision-based human action recognition,” Image Vis. Comput., vol. 28, no. 6, pp. 976–990, 2010.\n\n[^14]: C. R. Qi, H. Su, K. Mo, and L. J. Guibas, “PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation,” in Proc. IEEE Conf. Computer Vision and Pattern Recognition (CVPR), 2017, pp. 652-660.\n\n[^15]: Y. Sawano, T. Watanabe, Y. Terashima, and R. Kiyohara, “Localization Method for SLAM using an Autonomous Cart as a Guard Robot,” in Proc. 2022 IEEE 46th Annual Computers, Software, and Applications Conf. (COMPSAC), Los Alamitos, CA, USA, 2022, pp. 1193–1198.\n\n[^16]: T. Umemura, H. Mochizuki, M. Ueda and R. Kiyohara, “Personal Spaces for Security Guard Robots in a Campus,” 2024 17th International Congress on Advanced Applied Informatics (IIAI-AAI-Winter), Ho Chi Minh, Vietnam, 2024, pp. 1-4, doi: 10.1109/IIAI-AAI-Winter65925.2024.00010.\n\n[^17]: S. Watanabe and R. Kiyohara, “Authentication Method Using Bluetooth for University Security Guards,” 2025 IEEE International Conference on Consumer Electronics (ICCE), Las Vegas, NV, USA, 2025, pp. 1-2, doi:10.1109/ICCE63647.2025.10930003.\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### 1. 图表完整索引\n\n> 说明：文档中图表编号存在明显混乱（正文引用与图题不一致、图/表编号重复、图 4 缺失）。下表按文档实际出现的图题/表题整理，并在“位置/备注”中标注问题。\n\n| 编号 | 标题/说明 | 类型 | 位置 | 支撑论点 | 优先级/评分 |\n| --- | --- | --- | --- | --- | --- |\n| Fig. 1 | Map of KAIT campus | 示意图 | 第 III 节 | 校园面积大、夜间巡逻负担重，需要巡逻机器人 | 中 |\n| Fig. 2 | Experiment Image | 实验照片 | 第 V.C 节 | 蓝牙定向接收实验的装置与场景 | 中 |\n| Fig. 3 | RSSI of receiving left device | 实验数据图 | 第 V.C 节 | RSSI 随接收器朝向变化，可用于多手机定位 | 中 |\n| Fig. 4 | （正文提及“Figure 4 illustrates the differential points”，但文档中无对应图题/图片） | 缺失图 | 第 V.A 节 | 背景差分提取的差异点示例 | 高（缺失） |\n| Fig. 5 | Background subtraction point cloud data | 实验数据图 | 第 V.B 节 | 背景差分后的点云数据 | 高 |\n| Fig. 6 | Security Robot | 系统照片 | 第 V.B 节 | 巡逻机器人平台外观 | 中 |\n| Fig. 7 | Comparison point cloud data 1 | 实验数据图 | 第 V.A 节 | 同一位置参考点云与当前点云对比 | 高 |\n| Fig. 8 | Comparison point cloud data 2 | 实验数据图 | 第 V.A 节 | 同上，第二组对比 | 高 |\n| Fig. 8（重复） | RSSI of receiving left device | 实验数据图 | 第 V.C 节 | RSSI 随接收器朝向变化 | 中 |\n| Table I | Average height of Japanese elderly people | 参考数据表 | 第 IV.B 节 | 支撑 90 cm 与 45 cm 的 LiDAR 安装高度选择 | 高 |\n| Table II | Average distance | 实验结果表 | 第 V.B 节 | 个人空间约 2–3 m，闭眼时增大，需在进入个人空间前检测 | 高 |\n| Table III | F value by each angle (Human) | 实验结果表 | 第 VI.A 节（实际位置在 Table VIII 后） | 0°–180° 各朝向 F 值均为 1.00，朝向无关分类 | 高 |\n| Table IV | F value by distance (5M) | 实验结果表 | 第 VI.B 节 | 5 m 距离下各角度 Recall/Precision/F 均为 1.00 | 高 |\n| Table V | F value by distance (10M) | 实验结果表 | 第 VI.B 节 | 10 m 距离下除 60° 为 0.99 外均为 1.00 | 高 |\n| Table VI | F value by distance (15M) | 实验结果表 | 第 VI.B 节 | 15 m 距离下各角度均为 1.00 | 高 |\n| Table VII | Performance of LiDAR | 硬件参数表 | 第 VI.A 节（正文误引为 Table III） | VLP-16 量程 100 m、垂直 30°、水平 360° | 中 |\n| Table VIII | F value by each angle (Human)（内容实为各类别观测数与平均点云数） | 数据统计表（表题与内容不符） | 第 VI.A 节 | 训练/测试数据规模：Human/Tree/Sign 各 400 观测 | 中 |\n| Table IX | F value by each angle (Human) | 实验结果表 | 第 VI.B 节末尾 | 与 Table III 重复，再次说明朝向无关 | 高（重复） |\n\n### 2. 优先精读项（Top-priority deep reads）\n\n1. **Table IV–VI（距离实验）**：核心定量证据，证明 5/10/15 m 下分类精度几乎不下降；需核对训练数据是否只在 5 m 采集、测试是否包含 20 m（正文提到 20 m 但表中只有 5/10/15 m）。\n2. **Table III / Table IX（朝向实验）**：核心定量证据，证明 0°–180° 全朝向 F 值均为 1.00；需注意两表重复，且 Table VIII 表题与内容不符，需确认真实数据。\n3. **Table I + 第 IV.B 节（安装高度）**：方法设计的基础，决定 90 cm/45 cm 两个 LiDAR 高度；需核对日本老年人身高数据来源与适用性。\n4. **Table II（个人空间）**：决定“检测距离需大于个人空间”的操作约束，直接影响系统部署策略。\n5. **Fig. 7 / Fig. 8（点云对比）**：背景差分方法的关键示例，但编号与正文引用不一致，需结合原始图确认。\n\n### 3. 图表关系 / 实验设置图\n\n```text\n[LiDAR 数据采集]  VLP-16 单束/多束 2D 点云\n        |\n        v\n[背景差分]  Fig. 7/8 对比参考点云与当前点云 -> Fig. 5 差异点\n        |\n        v\n[多帧聚合]  5 次旋转聚合，提高点密度（<1 s）\n        |\n        v\n[PointNet 分类]  训练：正面+侧面；测试：0°–180° 每 30°；距离 5/10/15/20 m\n        |\n        +-------------------+-------------------+\n        |                   |                   |\n[朝向实验]            [距离实验]            [个人空间实验]\nTable III/IX          Table IV/V/VI         Table II\n0°–180° F=1.00        5/10/15 m 高精度      2–3 m 个人空间\n```\n\n### 4. 图表到结论的映射\n\n| 结论 | 支撑图表 | 说明 |\n| --- | --- | --- |\n| 使用 2D LiDAR 可低成本检测静止人体 | Fig. 5, Fig. 7/8, Table III–VI | 点云差分与分类实验均基于 VLP-16 的 2D 点云 |\n| 安装高度 90 cm/45 cm 可覆盖躯干与腿部 | Table I | 日本老年人平均身高 146.6–167.4 cm，支撑高度选择 |\n| 多帧聚合可弥补远距离点密度下降 | Table IV–VI | 5–15 m 精度保持 0.99–1.00 |\n| 分类与人体朝向无关 | Table III, Table IX | 0°–180° 各朝向 F 值均为 1.00 |\n| 机器人需在进入个人空间前完成检测 | Table II | 个人空间约 2–3 m，闭眼时增大 |\n| 蓝牙定向扫描可辅助定位多部手机 | Fig. 2, Fig. 3, Fig. 8（重复） | RSSI 随接收器朝向变化 |"
}