机器人远程点云分割框架设计与实现.docxVIP

机器人远程点云分割框架设计与实现 随着3D 点云采集设备的普及，越来越多的机器人采集点云数据，对点云进行分割来获得更加精确的环境信息1 系统框架系统由服务器端和机器人端两部分组成。服务器端包括点云分割算法、RPC 2 系统设计和实现2.1 系统开发环境目前主流的深度学习环境使用Ubuntu 和Python，考虑到配置的灵活性和方便性，进行如下配置。具体开发环境：操作系统为Ubuntu 16.04；服务器端编程语言选择Python；深度学习框架选择TensorFlow2.2 服务器端服务器端是远程点云分割的核心，由数据处理、序列化、通信和数据库模块。1. 数据处理模块：采用PointNet++ 网络对点云分割2. 序列化模块：采用了谷歌的Protocol Buffers序列化框架把点云转成适合网络传输的二进制格式3. 通信模块：采用HTTP/2 进行通信。如图1所示，HTTP/2 支持多路复用，可以在一个TCP 连接上发送多个HTTP 请求而不会被阻塞，从而提升服务端响应能力。同时HTTP/2 还支持首部压缩，可以进一步减少网络传输过程中的带宽消耗4. 数据库模块：采用MySQL数据库来保存数据。服务器处理完一个请求之后，把机器人端IP、请求时间、请求数据、分割结果、处理时间存入数据库，方便以后查询。2.3 机器人端机器人端主要负责采集点云，把点云数据转成Protocol Buffers 格式，调用服务器上的分割算法获取分割结果并解析来完成对环境的感知。机器人端解析Protocol Buffers 定义文件生成函数签名，可以像调用本地方法一样调用服务器端的算法，易于集成到现有框架中。出现网络异常的情况下，机器人端报警并把数据保存到本地，等待网络恢复之后再次分割。3 实验分析本文基于gRPC 搭建的远程调用框架，机器人端无需考虑底层网络传输。目前主流方案是搭建RESTful 接口，机器人把数据发给服务端之后，服务端返回分割结果3.1 运行时间实验中机器人端朝服务器端发送100次请求，每次2000个点，共计20万个点，统计从开始发送到解析完响应花费的时间。本文中利用Nginx 进行反向代理，通过设置Nginx 参数来控制传输带宽如图2所示，带宽从64M 降低到2M gRPC 方案用时从2.558s 缓慢上升到2.842s. RESTful 方案用时从7.994s 上升到16.394s. 在带宽小于2M 时，相比于gRPC 方案，RESTful 方案用时快速上升。目前WIFI 的速度50M左右，依实现标准不同，主流的3G速度在10M以下，4G 速度在100M以下。在网速较低的情况下，gRPC 方案优势更明显。3.2 流量消耗实验中机器人端朝服务器端发送点云数量不同的请求。统计两种方案流量随请求数量的变化。如表1所示，使用Protocol Buffers 序列化的gRPC 方案上传流量是RESTful 方案的22%，大幅度节省了流量。4 结束语本文设计了一个点云远程分割框架，解决了RESTful 框架远程调用速度慢，实时性不足的问题。本文设计的框架在调用时间和流量消耗上都有明显优势，适用于对实时性要求较高的场景。