无线低带宽条件下点云传输和地图远程呈现方法

doi:10.3969/j.issn.1009-086x.2025.01.018

摘要/Abstract

摘要：

智能化无人武器装备在现代化作战中发挥日益重要的作用，已成为替代和辅助士兵作战的必要装备。在无人化战场中，后方指挥人员通过通信对战场环境保持关注。鉴于军用通信设备带宽有限，设计并实现了一种低带宽条件下的点云传输和地图远程呈现方法。方法通过FAST-LIO算法估计实时位姿，利用Draco算法对三维点云(关键帧)进行压缩，并基于Protobuf-UDP完成位姿和点云的实时传输，采用SC-PGO算法优化并产生全局地图，是首个基于ROS平台实现点云实时压缩和传输的工程。实验结果表明，所提方法对于实时点云表现出较好的压缩效果和稳定的传输质量，解决了无线低带宽条件下点云传输和地图远程呈现的问题，实现了指挥人员对战场环境的实时感知。

关键词: 地图远程呈现, 点云传输, FAST-LIO, Draco, 点云压缩

Abstract:

Intelligent unmanned weapons and equipment are playing an increasingly vital role in modern warfare and have become essential for replacing and assisting soldiers in combat. In unmanned battlefields， rear commanders monitor the battlefield environment through communication. Given the limited bandwidth of military communication equipment， a method for real-time point cloud transmission and remote map presentation is proposed and implemented. The method first estimates the real-time pose using the FAST-LIO algorithm， then compresses the 3D point cloud （keyframe） using the Draco algorithm， and transmits the real-time pose and point cloud via Protobuf-UDP. Finally， the SC-PGO algorithm is used to optimize and generate the global map. This is the first engineering solution to achieve real-time point cloud compression and transmission based on the ROS platform. The experimental results demonstrate that the proposed method provides effective compression and stable transmission quality for real-time point clouds， addressing the challenges of point cloud transmission and remote map presentation under low-bandwidth wireless conditions， and enabling commanders to perceive the battlefield environment in real time.

Key words: remote map presentation, point cloud transmission, FAST-LIO, Draco, point cloud compression

中图分类号:

E917

刘欣宇, 申海艇, 郭睿, 张琴. 无线低带宽条件下点云传输和地图远程呈现方法[J]. 现代防御技术, 2025, 53(1): 164-172.

Xinyu LIU, Haiting SHEN, Rui GUO, Qin ZHANG. Method for Transmission of Point Cloud and Tele-presence of Map Under Wireless and Low Bandwidth Condition[J]. Modern Defense Technology, 2025, 53(1): 164-172.

图/表 12

图1 FAST-LIO算法框架

Fig. 1 FAST-LIO algorithm framework

图2 SLAM系统的前后端关系

Fig. 2 Front-end and back-end relationship of SLAM system

图3 Google-Draco点云编码流程

Fig. 3 Google-Draco point cloud encoding process

图4 点云压缩格式

Fig. 4 Point cloud compression format

图5 点云传输的Protobuf协议内容

Fig. 5 Protobuf protocol content for point cloud transmission

图6 点云地图远程呈现方法的实现过程

Fig. 6 Implementation process of remote point cloud map presentation method

图7 Google-Draco压缩参数设置

Fig. 7 Google-Draco compression parameter settings

表1 点云压缩前后传输性能对比

Table 1 Comparison of transmission performance before and after point cloud compression

RosBag（NCLT数据集）	2012-04-29	2012-06-15	2012-09-28	2013-01-10	NCLT
帧数	25 819	32 954	46 466	10 201	47 231
平均点云个数	6 009	7 271	6 543	5 789	6 284
压缩前平均传输时间/ms	3.13	3.84	3.31	2.76	3.25
压缩前平均传输带宽/（Kb·s^-1）	53.26	59.71	56.72	48.54	54.60
平均压缩时间/ms	0.31	0.39	0.35	0.28	0.32
压缩后平均传输时间/ms	2.92	3.64	3.31	2.61	3.17
平均解压缩时间/ms	0.16	0.24	0.19	0.12	0.17
压缩算法总时间/ms	3.39	4.27	3.85	3.01	3.58
压缩后平均传输带宽/（Kb·s^-1）	9.94	11.23	10.34	9.37	10.15

表2 不同点云压缩算法性能对比

Table 2 Performance comparison of different point cloud compression algoithms

RosBag	2012-04-29			2012-06-15			2012-09-28			2013-01-10			NCLT
指标	ET	DT	BR	ET	DT	BR	ET	DT	BR	ET	DT	BR	ET	DT	BR
G-PCC-octree	0.57	0.11	2.54	0.62	0.17	2.66	0.59	0.15	2.83	0.53	0.05	2.78	0.59	0.12	2.55
Learned-PCGC	3.41	3.01	3.43	3.46	3.09	4.54	4.43	3.05	4.76	3.37	2.95	4.39	3.52	3.03	3.44
PCGCv2	0.58	0.22	3.05	0.62	0.27	3.12	0.60	0.25	3.35	0.54	0.19	2.96	0.60	0.23	3.06
PCGFormer	0.74	0.46	2.79	0.78	0.52	2.93	0.76	0.49	2.81	0.67	0.41	2.42	0.76	0.49	2.80
本文	0.31	0.16	5.36	0.39	0.24	5.32	0.35	0.19	5.49	0.28	0.12	5.18	0.32	0.17	5.38

图8 传输后的点云关键帧和原始点云关键帧对比

Fig. 8 Comparison of transmitted point cloud keyframe and orginal point cloud keyframe

图9 基于传输点云建立的全局地图效果对比

Fig. 9 Comparison of global map effects based on transmitted point cloud

图10 基于传输点云建立的全局地图效果对比

Fig. 10 Comparison of global map effects based on transmitted point cloud

参考文献 24

1	董康生，胡伟波，沈雁鸣，等. 美军无人空战装备智能化发展动态及启示［J］. 现代防御技术， 2022， 50（4）： 28-37.
	DONG Kangsheng， HU Weibo， SHEN Yanming， et al. Development and Implications of Intelligent Unmanned Combat Aerial Equipment by the US Army［J］. Modern Defence Technology， 2022， 50（4）： 28-37.
2	高翔. 视觉SLAM十四讲：从理论到实践［M］. 北京：电子工业出版社， 2017.
	GAO Xiang. Fourteen Lectures on Visual SLAM： From Theory to Practice［M］. Beijing： Publishing House of Electronics Industry， 2017.
3	马跃龙，赵勇，曹雪峰. 一种基于单目SLAM的无人机序列图像拼接方法［J］. 系统仿真学报， 2016， 28（10）： 2349-2355.
	MA Yuelong， ZHAO Yong， CAO Xuefeng. Mono-SLAM Based Method for Stitching Images of Sequence from UAV［J］. Journal of System Simulation， 2016， 28（10）： 2349-2355.
4	焦嵩鸣，姚鑫，丁辉，等. 适应于环境空间变化的激光雷达SLAM建图方法［J］. 系统仿真学报， 2023， 35（8）： 1788-1798.
	JIAO Songming， YAO Xin， DING Hui， et al. Lidar SLAM Mapping Method Adapted to Environmental Spatial Changes［J］. Journal of System Simulation， 2023， 35（8）： 1788-1798.
5	艾达，卢洪颖，杨玉蓉，等. 三维点云数据压缩技术研究综述［J］. 西安邮电大学学报， 2021， 26（1）： 90-96.
	AI Da， LU Hongying， YANG Yurong， et al. A Brief Overview 3D Point Cloud Data Compression Technology［J］. Journal of Xi'an University of Posts and Telecommunications， 2021， 26（1）： 90-96.
6	DE OLIVEIRA RENTE P， BRITES C， ASCENSO J， et al. Graph-Based Static 3D Point Clouds Geometry Coding［J］. IEEE Transactions on Multimedia， 2019， 21（2）： 284-299.
7	SCHNABEL R， KLEIN R. Octree-Based Point-Cloud Compression［C］∥Proceedings of the 3rd Eurographics / IEEE VGTC Conference on Point-Based Graphics. Goslar： Eurographics Association， 2006： 111-121.
8	KATHARIYA B， LI Li， LI Zhu， et al. Scalable Point Cloud Geometry Coding with Binary Tree Embedded Quadtree［C］∥2018 IEEE International Conference on Multimedia and Expo （ICME）. Piscataway： IEEE， 2018： 1-6.
9	Google. Draco［EB/OL］. （2022-02-18）［2022-03-24］. .
10	XU Wei， ZHANG Fu. FAST-LIO： A Fast， Robust LiDAR-Inertial Odometry Package by Tightly-Coupled Iterated Kalman Filter［J］. IEEE Robotics and Automation Letters， 2021， 6（2）： 3317-3324.
11	KIM G. SC-A-LOAM［EB/OL］. ［2023-05-22］. .
12	JURIĆ A， KENDEŠ F， MARKOVIĆ I， et al. A Comparison of Graph Optimization Approaches for Pose Estimation in SLAM［C］∥2021 44th International Convention on Information， Communication and Electronic Technology （MIPRO）. Piscataway： IEEE， 2021： 1113-1118.
13	KIM G， KIM A. Scan Context： Egocentric Spatial Descriptor for Place Recognition Within 3D Point Cloud Map［C］∥2018 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. Piscataway： IEEE， 2018： 4802-4809.
14	王阳. 基于图优化的移动机器人SLAM建图算法研究［D］. 杭州：浙江大学， 2022.
	WANG Yang. Research on SLAM Mapping Algorithm of Mobile Robot Based on Graph Optimization［D］. Hangzhou： Zhejiang University， 2022.
15	ROSSIGNAC J. 3D Compression Made Simple： Edgebreaker with Zip & Wrap on a Corner-Table［C］∥Proceedings International Conference on Shape Modeling and Applications. Piscataway： IEEE， 2001： 278-283.
16	DUDA J. Asymmetric Numeral Systems： Entropy Coding Combining Speed of Huffman Coding with Compression Rate of Arithmetic Coding［EB/OL］. （2014-01-06）［2020-05-10］. .
17	Paplhjak. Draco_Point_Cloud_Transport［EB/OL］. ［2023-12-23］. .
18	聂晓旭，于凤芹，钦道理. 基于Protobuf的数据传输协议［J］. 计算机系统应用， 2015， 24（8）： 112-116.
	NIE Xiaoxu， YU Fengqin， QIN Daoli. Data Transmission Protocol Based on Protobuf［J］. Computer Systems & Applications， 2015， 24（8）： 112-116.
19	RoboSense-LiDAR. Rs_Driver［EB/OL］. ［2023-12-01］. .
20	CARLEVARIS-BIANCO N， USHANI A K， EUSTICE R M. University of Michigan North Campus Long-Term Vision and Lidar Dataset［J］. The International Journal of Robotics Research， 2016， 35（9）： 1023-1035.
21	WANG Jianqiang， ZHU Hao， MA Zhan， et al. Learned Point Cloud Geometry Compression［EB/OL］. （［2019-09-26）［2023-02-03］. .
22	WANG Jianqiang， DING Dandan， LI Zhu， et al. Multiscale Point Cloud Geometry Compression［C］∥2021 Data Compression Conference （DCC）. Piscataway： IEEE， 2021： 73-82.
23	GRAZIOSI D， NAKAGAMI O， KUMA S， et al. An Overview of Ongoing Point Cloud Compression Standardization Activities： Video-Based （V-PCC） and Geometry-Based （G-PCC）［J］. APSIPA Transactions on Signal and Information Processing， 2020， 9： e13.
24	LIU Gexin， WANG Jianqiang， DING Dandan， et al. PCGFormer： Lossy Point Cloud Geometry Compression via Local Self-Attention［C］∥2022 IEEE International Conference on Visual Communications and Image Processing （VCIP）. Piscataway： IEEE， 2022： 1-5.

[1]	刘世豪, 崔小舟, 王斐斐, 黄骁飞, 王聪. 基于混合粒子群算法的防空装备软硬杀伤目标分配方法研究[J]. 现代防御技术, 2025, 53(1): 97-107.
[2]	刘科. 天基信息支援在超远程防空作战中的应用研究[J]. 现代防御技术, 2024, 52(6): 9-16.
[3]	孟宪良, 张搏, 张明亮, 王金, 孟乐, 薛明. 基于SEM的末端防御装备体系结构贡献率评估[J]. 现代防御技术, 2024, 52(5): 1-8.
[4]	宋晓程, 冯舒婷, 姜涛, 李陟. 基于PACA的复杂空中目标战术意图识别方法[J]. 现代防御技术, 2024, 52(3): 48-54.
[5]	李小波, 王蒙一, 廖咏一, 黄智捷, 王涛, 王维平. 智能化空天防御作战体系架构设计方法研究[J]. 现代防御技术, 2024, 52(2): 1-12.
[6]	胡宝洁, 宫福红, 贺方君, 王盼. 一种基于虚实结合的内外场一体化训练实现方法[J]. 现代防御技术, 2024, 52(1): 16-23.
[7]	王玉茜, 曹亚杰, 佘晓琼, 廖咏一. 美军杀伤网概念研究及对我防空作战装备体系的启示[J]. 现代防御技术, 2023, 51(6): 1-8.
[8]	王姗, 张桦, 宋豪文, 陈晓. 基于SDS-耦合协调度模型的装备质量链耦合协调分析[J]. 现代防御技术, 2023, 51(6): 133-145.
[9]	余伟军, 史朝辉. 反导装备配置合理性评估研究[J]. 现代防御技术, 2023, 51(6): 18-25.
[10]	金欣. 导师带徒式智能指挥决策应用模式及关键技术[J]. 现代防御技术, 2023, 51(6): 62-68.
[11]	唐文倬, 蔡天骐, 庄长辉, 闵锐. 装备体系工程方法与数字化[J]. 现代防御技术, 2023, 51(4): 10-15.
[12]	候梦清, 华思亮, 周九州, 郝嘉. 面向实兵交战训练的时间统一技术研究[J]. 现代防御技术, 2023, 51(1): 17-25.
[13]	阎哲, 汪民乐, 汪江鹏, 吴丰轩, 闫少强. 带时间窗的海军航空兵场站特种保障车辆调度问题[J]. 现代防御技术, 2022, 50(6): 117-123.
[14]	李森, 田海林, 王刚, 李大喜, 吴静. 美一体化防空反导作战指控系统（IBCS）研究[J]. 现代防御技术, 2022, 50(4): 84-100.
[15]	李威, 卢盈齐. 基于聚类组合赋权的空袭目标威胁评估方法[J]. 现代防御技术, 2022, 50(3): 17-24.