Abordando el desafío de adquirir información de pose de vehículos terrestres no tripulados (UGV) de alta precisión en tiempo real para formaciones de líder-seguidor en condiciones de comunicación denegada, este estudio propuso Pillar-Bin, un algoritmo de detección de objetos en 3D basado en el marco PointPillars. Pillar-Bin introdujo una Estrategia de Discretización de Intervalos (Bin) dentro de la cabeza de detección, mapeando parámetros críticos del objetivo (dimensiones, centro, ángulo de dirección) a intervalos predefinidos para la optimización conjunta de clasificación-regresión residual. Esto suprime efectivamente el ruido ambiental y mejora la precisión de localización. Los resultados de simulación en el conjunto de datos KITTI demuestran que el algoritmo Pillar-Bin supera significativamente a PointPillars en precisión de detección. En el modo de detección 3D, la Precisión Media Promedio (mAP) aumentó en un 2.95%, mientras que en el modo de detección desde la vista de pájaro (BEV), la mAP mejoró en un 0.94%. Con una tasa de procesamiento de 48 fotogramas por segundo (FPS), el algoritmo propuesto mejoró efectivamente la precisión de detección mientras mantenía un alto rendimiento en tiempo real del método base. Para evaluar el rendimiento del Pillar-Bin en vehículos reales, se diseñó un esquema de extracción de pose de UGV líder. Los experimentos en vehículos reales muestran errores absolutos de posicionamiento en X/Y por debajo de 5 cm y errores en el ángulo de dirección por debajo de 5 grados en coordenadas cartesianas, con una velocidad de procesamiento de extracción de pose que alcanza 46 FPS. El algoritmo Pillar-Bin propuesto y su esquema de extracción de pose proporcionan información de pose de líder eficiente y precisa para el control de formaciones, demostrando utilidad práctica en ingeniería.