無線低帶寬條件下點云傳輸和地圖遠程呈現方法

摘要：智能化無人武器裝備在現代化作戰中發揮日益重要的作用，已成為替代和輔助士兵作戰的必要裝備。在無人化戰場中，后方指揮人員通過通信對戰場環境保持關注。鑒于軍用通信設備帶寬有限，設計并實現了一種低帶寬條件下的點云傳輸和地圖遠程呈現方法。方法通過FAST-LIO算法估計實時位姿，利用Draco算法對三維點云（關鍵幀）進行壓縮，并基于Protobuf-UDP完成位姿和點云的實時傳輸，采用SC-PGO算法優化并產生全局地圖，是首個基于ROS平臺實現點云實時壓縮和傳輸的工程。實驗結果表明，所提方法對于實時點云表現出較好的壓縮效果和穩定的傳輸質量，解決了無線低帶寬條件下點云傳輸和地圖遠程呈現的問題，實現了指揮人員對戰場環境的實時感知。

關鍵詞：地圖遠程呈現；點云傳輸；FAST-LIO；Draco；點云壓縮

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

中圖分類號：E917；TP751；TJ76 文獻標志碼：A 文章編號：1009-086X（2025）-01-0164-09

引用格式：劉欣宇，申海艇，郭睿，等，無線低帶寬條件下點云傳輸和地圖遠程呈現方法[J]，現代防御技術，2025，53（1）：164-172，

Reference format：LIU Xinyu，SHEN Haiting，CUO Rui，et al.Method for Transmission of Point Cloud and Tele-presenc.e ofMap Under Wireless and Low Bandwidth Condition[J].Modern Defence Technology，2025，53（1）：164-172.

0 引言

以信息技術為核心的軍事高科技日新月異，武器裝備遠程智能化、無人化趨勢更加明顯，智能無人系統逐漸成為信息化戰爭和智能化戰爭的主要作戰力量。例如，在現代城市戰中，士兵到達現場后，若不了解內部情況貿然進入戰場，不僅不能完成作戰任務，還容易造成嚴重的人員傷亡和經濟損失。而基于智能無人系統的武器裝備以其全天候、多維度、非接觸、零傷亡等優勢，可在城市戰、巷戰中發揮多維偵察、立體打擊等作用［1］。未知空間定位與建圖是無人系統控制與導航的關鍵，是自主完成各種智能任務的前提。其中，基于三維激光的同步定位與建圖（simultaneouslocalization and mapping，SLAM）技術利用激光雷達傳感器采集海量點云數據，具有深度感知準確、對光照變化具有適應性等優勢［2?4］，成為目前無人系統自主導航定位的主流技術。但在有限的存儲資源和網絡帶寬條件下，激光SLAM 龐大的數據量難以快速穩定地傳輸，導致指揮作戰人員無法掌握無人系統周圍的環境和態勢［5］。因此，急需一種可用于無線低帶寬環境下的點云壓縮和地圖遠程呈現方法。

在點云壓縮領域方面，目前已出現一些優秀的點云壓縮算法。例如，RENTE 等［6］在其提出的基于圖結構的點云壓縮方法中，通過將點云中的空間點當作圖結構的節點來為點云構建相應的圖結構，對點云的幾何信息進行圖變換來去除點云數據的空間冗余。然而，基于圖結構的點云壓縮方法由于需進行特征值分解，因此該方法的時間復雜度較高，壓縮效率較低；此外，對于激光雷達點云數據這種大規模稀疏性點云而言，圖變換會隱藏大量的空間冗余，此類壓縮方法并不適用。SCHNABEL等［7］提出使用八叉樹結構來表示和壓縮三維點云，且被MPEG 推出的G-PCC 點云編解碼器所采用。然而，這類方法的不足之處在于，當八叉樹的劃分深度增大時，點云幾何信息編碼所需的比特數會隨之劇增。為緩解這一情況，KATHARIYA 等［8］提出了基于K-d 樹的點云壓縮方法，例如，Google 公司在其提供的Draco［9］點云壓縮平臺中就采用了這類方法編碼。

綜上，相比其他壓縮算法，Draco 表現出較高的實時性和壓縮率，但尚未在點云實時傳輸上得到有效的應用。因此，本文基于Draco 提出了一種無線低帶寬條件下的三維點云傳輸和地圖遠程呈現方法。

1 無線低帶寬條件下點云傳輸和地圖遠程呈現方法

本方法中，FAST-LIO［10］作為前端算法估計無人系統的實時位姿，Draco 算法對FAST-LIO 產生的點云關鍵幀數據進行壓縮，Protobuf-UDP 作為傳輸工具實時傳輸位姿和壓縮點云數據至后臺；后臺通過解析通信協議接收數據，并利用Draco 算法解壓出點云和位姿，最后利用SC-PGO［11］算法優化并建立全局點云地圖，從而實現了低帶寬下的地圖遠程呈現。

1. 1 FAST-LIO 算法

FAST-LIO 是一種快速、穩健的激光慣性里程計框架，有3個關鍵的創新之處。首先，為應對發生退化的快速運動、噪聲或雜亂環境，采用緊耦合迭代卡爾曼濾波器來融合激光雷達特征點和IMU 數據；其次，為了降低大量激光雷達特征點帶來的巨大計算量，提出了一種新的卡爾曼增益計算公式，并證明了它與傳統卡爾曼增益公式的等價性；最后，提出了一個反向傳播過程來補償激光雷達采樣時帶來的運動失真。如圖1 所示，FAST-LIO 以激光點云、IMU數據和里程計數據為輸入，輸出移動機器人的實時位姿和點云關鍵幀。