{
  "paper_id": "f680df126021173f8695472754cf409d",
  "paper_title": "Person Detection and Tracking from an Overhead Crane LiDAR",
  "paper_authors": [
    "Nilusha Jayawickrama",
    "Henrik Toikka",
    "Risto Ojala"
  ],
  "publication_date": "",
  "publication_venue": "unknown",
  "abstract": "This paper investigates person detection and tracking in an industrial indoor workspace using a LiDAR mounted on an overhead crane. The overhead viewpoint introduces a strong domain shift from common vehicle-centric LiDAR benchmarks, and limited availability of suitable public training data. Henceforth, we curate a site-specific overhead LiDAR dataset with 3D human bounding-box annotations and adapt selected candidate 3D detectors under a unified training and evaluation protocol. We further integrate lightweight tracking-by-detection using AB3DMOT and SimpleTrack to maintain person identities over time. Detection performance is reported with distance-sliced evaluation to quantify the practical operating envelope of the sensing setup. The best adapted detector configurations achieve average precision (AP) up to 0.84 within a 5.0 m horizontal radius, increasing to 0.97 at 1.0 m, with VoxelNeXt and SECOND emerging as the most reliable backbones across this range. The acquired results contribute in bridging the domain gap between standard driving datasets and overhead sensing for person detection and tracking. We also report latency measurements, highlighting practical real-time feasibility. Finally, we release our dataset and implementations in GitHub to support further research.\n",
  "keywords": [
    "LiDAR",
    "person detection",
    "multi-object tracking",
    "overhead sensing",
    "BEV",
    "indoor crane"
  ],
  "paper_institutions": [
    "Aalto University"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "deepseek-v4-flash",
  "prompt_template": "simple",
  "extracted_at": "2026-08-18T10:30:33.984249Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\n本文针对工业室内工作空间中基于桥式起重机顶部安装 LiDAR 的人员检测与跟踪问题展开研究。与常见的车辆中心 LiDAR 基准相比，俯视视角带来显著域偏移，且公开可用的俯视 LiDAR 训练数据非常有限；为此，作者构建了一个带有三维人体边界框标注的场地特定俯视 LiDAR 数据集，并在统一训练与评估协议下对 PointPillars、SECOND、PV-RCNN、VoxelNeXt 和 Voxel RCNN 五种候选 3D 检测器进行迁移学习微调，同时集成 AB3DMOT 与 SimpleTrack 两种轻量级 tracking-by-detection 模块以维持人员身份。数据方面，训练/验证/测试分别包含 29/1/76 帧标注点云，测试集包含 10 名未参与训练的人员；跟踪评估使用从 ROS bag 中提取的 3 Hz 短序列共 80 帧伪真值。检测器以 250 epoch、batch size 4、AdamW 优化器训练，锚框尺寸设为 0.8 m × 0.6 m × 1.73 m，测试时置信度阈值为 0.45，真阳性判定采用旋转 BEV IoU ≥ 0.10。实验采用距离切片评估，结果显示在 5.0 m 水平半径内最佳 AP 达 0.84，在 1.0 m 处达 0.97，VoxelNeXt 与 SECOND 是最可靠的骨干网络；跟踪方面，VoxelNeXt 检测结果配合 AB3DMOT 在 IoU=0.3/0.1 下取得 MOTA 0.70/0.83、IDF1 0.87/0.93，且 AB3DMOT 的 p50 延迟仅 1.08 ms，远快于 SimpleTrack 的 6.30 ms。核心机制是 tracking-by-detection：每帧 3D 检测框通过匈牙利匹配与基于卡尔曼滤波的常速度运动模型预测的轨迹关联，未匹配检测在连续 min_hits=2 次匹配后成为确认轨迹，超过 max_age=3 帧未匹配则删除。进一步探索方向包括扩大数据集、在真实边缘设备上测速、将伪真值转换为人工校验的跟踪真值、以及向更远距离和更多样化动态工业环境扩展；实际应用约束包括工作空间半径约 4.5 m、LiDAR 点云在远距离和俯视角度下稀疏、以及边缘部署的实时性要求。\n\n### 关键要点\n\n- 本文使用安装在桥式起重机上的单个 LiDAR，在室内工业工作空间中实现人员检测与跟踪，LiDAR 安装高度为 2.94 m，检测 ROI 水平半径约 4.5 m。\n- 作者构建了场地特定的俯视 LiDAR 数据集，使用 labelCloud 标注三维人体边界框；训练/验证/测试划分分别为 29、1、76 帧，测试集包含 10 名未参与训练的人员。\n- 检测器选择标准包括支持 BEV/体素表示、低延迟部署、开源实现以及在标准 3D 检测基准上有据可查；最终选择 PointPillars、SECOND、PV-RCNN、VoxelNeXt 和 Voxel RCNN。\n- 所有检测器均从 KITTI 或 nuScenes 预训练权重初始化，并以 250 epoch、batch size 4、AdamW 优化器在俯视 LiDAR 数据上微调，锚框尺寸为 0.8 m × 0.6 m × 1.73 m。\n- 检测评估使用距离切片方式，真阳性判定为旋转 BEV IoU ≥ 0.10，置信度阈值为 0.45；在 5.0 m 半径内最佳 AP 为 0.84，在 1.0 m 处 AP 达 0.97。\n- VoxelNeXt 在 3 m 以内表现最佳，而 SECOND 在 3 m 以上更稳健，说明俯视 LiDAR 下点云稀疏性和人体表面部分覆盖会影响不同骨干网络的适用距离范围。\n- 未微调的预训练检测器在俯视测试集上表现很差，PointPillars 和 PV-RCNN 无真阳性，SECOND 与 VoxelNeXt 的召回、F1 和 AP 也显著低于微调模型，验证了域偏移的存在。\n- 跟踪模块采用 AB3DMOT 和 SimpleTrack，两者均基于卡尔曼滤波常速度模型与匈牙利匹配；未匹配检测需连续 2 次匹配才输出轨迹，超过 3 帧未匹配则删除轨迹。\n- 跟踪评估使用 3 Hz 短序列共 80 帧伪真值，以 MOTA、IDF1、MOTP 为指标；VoxelNeXt 检测配合 AB3DMOT 在 IoU=0.3/0.1 时取得 MOTA 0.70/0.83、IDF1 0.87/0.93，为最佳组合。\n- 延迟测量显示检测器在 CPU 上 p50 为 32–229 ms，PV-RCNN 最慢；AB3DMOT 跟踪 p50 为 1.08 ms，SimpleTrack 为 6.30 ms，均满足实时部署需求，但边缘设备上的端到端测速仍是下一步工作。\n- 当前数据集规模有限，工作空间半径限制在约 4.5 m，跟踪伪真值未经过人工 ID 校验；未来需要更大规模、更多样化动态环境的数据集以及真实跟踪真值来进一步验证。"
}