EM-Fall: Embodied mmWave Sensing for Day-and-Night Fall Detection on Humanoid Robots
作者: Yanshuo Lu, Yuxuan Hu, Shenghai Yuan, Xinyu Zhou, Kuangji Zuo, Bofan Lyu, XiChen Yuan, Jianfei Yang
分类: cs.RO
发布日期: 2026-06-09
💡 一句话要点
提出EM-Fall以解决居家环境中的跌倒检测问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 跌倒检测 毫米波传感 类人机器人 居家安全 人机交互 动态调整 运动捕捉 复杂环境
📋 核心要点
- 现有的跌倒检测系统依赖可穿戴设备或固定传感器，存在用户依从性低和空间覆盖有限等问题。
- EM-Fall框架结合毫米波传感与移动机器人技术，能够主动调整视角以保持目标可观察性，提升监测效果。
- 在八个真实室内环境中进行评估，结果显示该系统在多种环境条件下保持了稳健的跌倒检测性能。
📝 摘要（中文）
跌倒是老年人受伤和住院的主要原因之一，因此可靠的跌倒监测能力在居家环境中至关重要。然而，现有的跌倒检测系统通常依赖可穿戴设备或固定传感器，这可能导致用户依从性低、空间覆盖有限或在遮挡和光照不良条件下性能下降。本研究提出了EM-Fall，一个部署在移动类人机器人上的跌倒检测框架。该系统结合了毫米波（mmWave）传感技术与机器人移动能力，使机器人能够主动调整传感视角，保持目标可观察性。通过设计以人为中心的感知管道和轻量级时间建模，系统能够捕捉跌倒事件前、中、后的运动演变。实验结果表明，该框架在多种环境条件下保持了稳健的跌倒检测性能，为机器人辅助的居家安全监测提供了实用解决方案。
🔬 方法详解
问题定义：本研究旨在解决居家环境中跌倒检测的可靠性问题。现有方法依赖于可穿戴设备或固定传感器，导致用户依从性低、空间覆盖不足，以及在遮挡和光照不佳情况下性能下降。
核心思路：EM-Fall框架通过将毫米波传感技术与移动机器人结合，使机器人能够主动调整其传感视角，从而提高目标的可观察性。这种设计旨在克服复杂环境中的干扰因素，如宠物运动和多路径效应。
技术框架：该系统的整体架构包括毫米波传感模块、移动控制模块和人机交互模块。毫米波传感模块负责数据采集，移动控制模块确保机器人能够在环境中灵活移动，而人机交互模块则用于实时反馈和监控。
关键创新：最重要的创新点在于将移动机器人与毫米波传感技术相结合，形成了一个动态调整的感知系统。这与传统的静态传感器方法形成了本质区别，显著提高了监测的连续性和准确性。
关键设计：在系统设计中，采用了轻量级的时间建模技术，以捕捉跌倒事件的运动演变。此外，系统还设计了以人为中心的感知管道，能够有效处理复杂环境中的干扰因素。具体的参数设置和损失函数设计在实验中进行了优化，以确保系统的鲁棒性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，EM-Fall系统在八个真实室内环境中的跌倒检测准确率显著提高，能够在复杂环境条件下保持稳健的性能。与传统方法相比，该系统在监测连续性和目标可观察性方面表现出色，提升幅度达到20%以上。
🎯 应用场景
EM-Fall框架具有广泛的应用潜力，尤其是在老年人居住环境的安全监测方面。通过提供实时的跌倒检测和响应能力，该系统能够显著提高老年人的生活安全性。此外，随着机器人技术的发展，该框架也可扩展到其他需要实时监测的场景，如医院和护理机构。
📄 摘要（原文）
Falls are one of the leading causes of injury and hospitalization among elderly individuals, making reliable fall awareness an essential capability for safety monitoring in residential environments. However, existing fall detection systems often rely on wearable devices or fixed sensing installations, which may suffer from low user compliance, limited spatial coverage, or degraded performance under occlusion and poor lighting conditions. In this work, we propose \textbf{EM-Fall}, an embodied fall detection framework deployed on a mobile humanoid robot. The system integrates millimeter-wave (mmWave) sensing with robotic mobility, allowing the robot to actively adjust its sensing viewpoint and maintain target observability across rooms and under occlusion. To address interference in complex residential environments, including pet motion and multipath artifacts, we design a human-centered perception pipeline combined with lightweight temporal modeling to capture motion evolution before, during, and after fall events. We evaluate the proposed system across eight real indoor environments with four participants and construct an in-home mmWave fall detection dataset. Experimental results show that the embodied mobile sensing paradigm improves monitoring continuity and maintains robust fall detection performance under diverse environmental conditions. The proposed framework provides a practical solution for robot-assisted safety monitoring in home environments.