机器人人体检测的跨模态分析：一项工业案例研究

传感与学习算法的进步使得机器人人体检测的解决方案日益成熟，尤其是在自动驾驶汽车的行人检测或消费场景中的近距离人员检测等特定用例中。尽管取得了这些进展，但“哪种传感器-算法组合最适合手头的人员检测任务？”这个简单问题仍然难以回答。本文通过对机器人学中常用的传感器-算法组合进行系统的跨模态分析来解决这一问题。我们在一个具有挑战性的工业用例中，比较了针对2D距离数据、3D激光雷达和RGB-D数据的最先进人员检测器以及选定的组合方案的性能。我们进一步解决了工业目标域中数据稀缺的问题，以及近期关于3D点云人体检测的研究主要集中在自动驾驶场景的问题。为了将这些方法学进展应用于机器人应用，我们采用了一种简单而有效的多传感器迁移学习策略，通过扩展一个强大的基于图像的RGB-D检测器，以弱3D边界框标签的形式为激光雷达检测器提供跨模态监督。我们的结果表明，不同方法在检测性能、泛化能力、帧率和计算需求方面存在很大差异。由于我们的用例包含了广泛服务机器人应用中的代表性困难，我们相信这些结果为进一步研究指出了相关的开放挑战，并为从业者设计其机器人系统提供了有价值的支持。