采用：

平时传语义/状态；事件触发时，按需上传视频证据；只有特殊任务才切换到持续视频流。

这会比“VLM一触发就把整路视频持续上云”合理很多。

•  Normal Mode：根本不需要上传视频

例如机器狗正在正常跟随：

上传：

• Target ID
• 位置
• 速度
• 方向
• Re-ID confidence
• UWB状态
• 目标属性
• 事件
• 简化Scene Graph

• Event Mode：VLM确实需要“看图像”

比如端侧发现：

Target Lost

端侧知道：

Target Lost

Last Position

Last Heading

Last Velocity

Last Appearance

但是VLM要判断：

“这个人是不是进入了左边建筑？”

它必须看到视觉证据。

所以此时应该上传：

. 最有价值的是“事件前后视频窗口”

当：

Target Lost

发生时，立即上传：

Event = Target Lost

Video:

T-5s ~ T+3s

这样VLM能够看到：

目标是怎么消失的。

这往往比只上传“丢失后的画面”有效得多。

VLM请求应该反向控制端侧

这就形成：

Perception → Reasoning → Query → Evidence → Action

普通状态

Semantic State
≈ kbps级

事件发生

5~20张JPEG
≈ 数百KB～数MB

复杂事件

5~10秒 H.264
≈ 数MB

特殊任务

Live Video
≈ Mbps级

所以你的多链路系统可以根据事件级别动态调度。

AiBrainBox-UGV采用四级通信策略

多制式无线通讯+多模态感知端侧通感算控一体设备-5G+自组网+卫通、多目帧同步MIPI/GMSL相机、工业级双IMU、UWB、双RTK、边缘YOLO+CLIP