{
  "paper_id": "d1184261a5c766119cea06c040d91025",
  "paper_title": "Standing Human Detection Method Using 2D-LiDARs",
  "paper_authors": [
    "Takuya Watanabe",
    "Yoshiaki Terashima",
    "Ryozo Kiyohara"
  ],
  "publication_date": "",
  "publication_venue": "2023 IEEE 47th Annual Computers, Software, and Applications Conference (COMPSAC)",
  "abstract": "Recently, autonomous vehicle technologies have been widely developed. Moreover, these technologies are applied to autonomous carts for security guards, guidance robots, delivery carts, etc. A variety of human detection technologies are important for these robotic carts. There are many studies on avoiding collisions with humans and other obstacles. However, technologies to distinguish between humans and other obstacles are especially important for security guard robots. In this paper, we propose a standing human detection method using 2D-LiDARs to reduce costs. We show the details of our methods and results of evaluation.",
  "keywords": [
    "2D-LiDAR",
    "human detection",
    "security guard robot",
    "autonomous cart"
  ],
  "paper_institutions": [
    "Kanagawa Institute of Technology",
    "Soka University"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:47:31.344925Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本文针对自主移动机器人（如安保巡逻车）在校园环境中的行人检测需求，提出了一种基于2D-LiDAR的站立人体检测方法，旨在降低传感器成本和计算开销。相关研究背景指出，相机在夜间或光照不均环境下效果受限，热传感器受热源干扰，而3D-LiDAR数据量过大且计算成本高。因此，本文利用多个2D-LiDAR，通过检测人体腰部（典型高度90cm）和双腿的轮廓特征来识别站立行人，并采用PointNet网络（基于MATLAB实现）进行分类。实验使用RP-LiDAR A1M8传感器和Jetson-AGX嵌入式平台，分别在不同距离（1m至6m）、衣着（是否穿夹克）、旋转角度（0°和45°）以及姿势（抬手、背向）等场景下进行评估。实验结果表明，在直面前方且距离适中的情况下，该方法能有效区分人体与树木等障碍物，识别率在近距离时较高（150个测试数据全部正确），但远距离（超过6m）因点云密度下降导致召回率下降。此外，腿部特征清晰时（例如正面直立）检测效果更好，而旋转或复杂姿势时检测困难。该方法仍存在局限性，但若机器人能够主动转向可疑目标，则可用于实际安保任务，同时显著减少计算量。未来计划在更多真实场景中测试，并区分可疑人员与授权人员。\n\n### 关键要点\n- 本文提出使用多个2D-LiDAR检测站立人体，利用腰部凸起形状和双腿轮廓作为特征，以降低计算成本并适应不同季节衣着。\n- 2D-LiDAR数据仅包含二维坐标，实验中通过补充z轴坐标生成三维点云用于PointNet分类。\n- 实验使用低成本RP-LiDAR A1M8（测距可达12m）和Jetson-AGX平台，旨在减少运算量以延长自主小车续航。\n- 基础实验中，利用腰部和腿部特征，152个测试数据全部正确分类为人类。\n- 在不同距离（1m至6m）的实验中，正面腰部数据的识别率优于侧面，但超过6m时点云密度过低导致召回率下降。\n- 穿着夹克与不穿夹克的对比实验表明，衣着对人类检测影响不大，但训练数据需包含多样的人和衣服。\n- 在旋转45°实验中，使用正面训练模型可以检测到人体，但腿部特征不清晰时识别效果下降。\n- 在多种姿势（如抬手、背对）实验中，当双腿特征清晰时可成功检测，否则难以区分。\n- 引入PointNet技术后，能够区分人体与树木等相似障碍物，但计算资源需求仍较高。\n- 远距离（>6m）时，可通过延长采集时间提高点云密度，但实时性受限。\n- 该方法在机器人可主动靠近目标时有效，当前仍存在对复杂姿势和远距离的局限性。\n- 未来工作包括实际场景测试、自主巡逻车部署，以及区分可疑人员与授权人员。"
}