基于无监督运动姿态学习的点云序列工人失衡事件检测：一种非接触式安全监测新方法

本文推荐一项创新研究，该工作利用激光雷达（LiDAR）技术，通过无监督学习从点云序列中提取全身姿态（pose）与运动（motion）特征，实现了施工场景中工人失衡（Loss of Balance, LB）事件的高精度检测（F1分数达0.98）。该方法无需人工标注，有效克服了传统接触式传感器（如IMU、压力鞋垫）的局限，为动态施工环境中的非侵入式安全监测提供了新范式。

　　

Highlight

本研究提出了一种基于激光雷达（LiDAR）的无监督学习方法，用于检测施工工人的失衡（Loss of Balance, LB）事件。通过从点云序列中提取全身的静态姿态和动态运动特征，并采用双流网络进行特征融合，实现了无需标注的高精度LB检测。

LB Detection in Construction

多种传感器已被用于LB检测，其中可穿戴传感器因易于获取步态数据而广泛应用。例如，惯性测量单元（IMU）被安置于脚踝和腰部以记录三轴加速度，便于提取步态周期。压力鞋垫也用于通过分析地面压力分布来评估跌倒风险。

Framework Overview

本研究构建了一个基于从多身体部位提取的步态特征的时间序列，以无监督方式检测LB事件。框架包括三个步骤：工人检测与跟踪、步态特征提取和LB检测。第一步是3D点云中的工人检测与跟踪，其创新点在于后续的步态特征提取与LB检测技术。

Data Collection

激光雷达扫描数据采集自施工现场。所使用的LiDAR设备为Robosense RS-M1，水平视场角120°，垂直视场角25°（±12.5°），水平与垂直分辨率均为0.2°，最大测距200米，操作帧率设置为10 Hz。实验期间，LiDAR安装于三脚架上持续扫描活动工人。

LB Detection Performance

本节报告了默认配置下我们方法的性能，该配置使用了所有姿态和运动特征的平均融合以及重建模式进行LB检测。在这些设置下，我们的方法表现出卓越的检测能力，F1分数、精确度和召回率均超过0.96，并获得了0.916的高AUC分数。

Comparison with Other Methods

与现有方法相比，我们的方法在定量指标上实现了令人印象深刻的检测F1分数（0.978）。然而，由于不同方法在不同实验条件下获得结果，直接数值比较可能无法完全反映具体优势。因此，我们进行了定性比较，总结了我们方法的优势。

Conclusion

本研究提出了一种基于LiDAR的非接触方法，利用无监督学习检测建筑工人的失衡（LB）事件。该方法从全身点云中提取步态特征，并通过新颖的双流网络处理姿态和运动特征进行检测。其无监督性质消除了对大量标注数据的需求，为LB事件的罕见性和开放性挑战提供了灵活解决方案。