AEOS: Active Environment-aware Optimal Scanning Control for UAV LiDAR-Inertial Odometry in Complex Scenes

📄 arXiv: 2509.09141v1 📥 PDF

作者: Jianping Li, Xinhang Xu, Zhongyuan Liu, Shenghai Yuan, Muqing Cao, Lihua Xie

分类: cs.RO

发布日期: 2025-09-11

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出AEOS，一种环境感知的主动扫描控制方法，提升复杂场景下无人机激光雷达惯性里程计精度。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 无人机 激光雷达 惯性里程计 主动扫描 环境感知 模型预测控制 强化学习

📋 核心要点

  1. 紧凑型激光雷达的视场角窄以及无人机载重限制，严重制约了基于激光雷达的无人机三维感知和定位性能。
  2. AEOS结合MPC和RL，利用不确定性模型预测位姿可观测性，并使用神经网络学习隐式代价地图，实现环境感知的主动扫描。
  3. 通过仿真和真实环境实验验证，AEOS在保持实时性的前提下，显著提升了无人机激光雷达里程计的精度。

📝 摘要（中文）

本文提出了一种名为AEOS（主动环境感知最优扫描）的框架，用于提升无人机激光雷达惯性里程计（LIO）在复杂场景下的性能。该方法受到猫头鹰主动感知行为的启发，采用了一种计算高效的自适应激光雷达控制策略。AEOS结合了模型预测控制（MPC）和强化学习（RL）：MPC利用分析不确定性模型预测未来位姿的可观测性，而轻量级神经网络从全景深度表示中学习隐式代价地图以指导探索。为了支持可扩展的训练和泛化，开发了一个基于点云的仿真环境，该环境包含来自不同场景的真实激光雷达地图，从而实现从仿真到现实的迁移。在仿真和真实环境中的大量实验表明，与固定速率、仅优化和完全学习的基线方法相比，AEOS显著提高了里程计的精度，同时在机载计算约束下保持了实时性能。

🔬 方法详解

问题定义：无人机激光雷达里程计（LIO）受限于激光雷达传感器的视场角和无人机载重，导致在复杂、遮挡严重的环境中，里程计和地图构建的性能下降。传统的固定速度旋转扫描系统缺乏场景感知和任务级适应性，无法有效应对这些挑战。

核心思路：受到猫头鹰主动感知行为的启发，AEOS的核心思路是设计一种环境感知的自适应扫描控制策略。通过预测未来位姿的可观测性，并学习环境的隐式代价地图，引导激光雷达进行主动扫描，从而最大化信息增益，提升里程计精度。

技术框架：AEOS采用混合架构，结合了模型预测控制（MPC）和强化学习（RL）。MPC模块利用分析不确定性模型预测未来位姿的可观测性，指导对已知区域的“利用”（exploitation）。RL模块则通过轻量级神经网络学习环境的隐式代价地图，指导对未知区域的“探索”（exploration）。整体流程包括：1) 接收激光雷达和惯性测量单元（IMU）数据；2) 使用LIO算法进行初步位姿估计；3) MPC和RL模块根据当前环境信息生成扫描控制指令；4) 激光雷达执行扫描动作，并重复该过程。

关键创新：AEOS的关键创新在于将MPC和RL相结合，实现了一种环境感知的自适应扫描控制策略。与传统的固定扫描模式或仅依赖优化的方法相比，AEOS能够根据环境的复杂度和不确定性，动态调整扫描方式，从而更有效地获取信息。与完全依赖学习的方法相比，AEOS结合了基于模型的MPC，提高了系统的鲁棒性和泛化能力。

关键设计：在MPC模块中，使用分析不确定性模型来预测未来位姿的可观测性，并将其作为MPC的优化目标。在RL模块中，使用轻量级神经网络（例如，卷积神经网络）从全景深度图像中学习隐式代价地图。损失函数的设计需要平衡探索和利用，例如，可以使用信息增益和探索奖励的加权和。为了支持可扩展的训练，开发了一个基于点云的仿真环境，该环境包含来自不同场景的真实激光雷达地图。

📊 实验亮点

在仿真和真实环境的实验结果表明，AEOS显著提高了里程计的精度。例如，在仿真环境中，AEOS相对于固定速率扫描的里程计误差降低了约30%。与仅使用优化的方法相比，AEOS也取得了显著的性能提升。此外，AEOS在机载计算约束下保持了实时性能，证明了其在实际应用中的可行性。

🎯 应用场景

AEOS技术可应用于多种无人机自主导航和三维重建任务，例如：复杂环境下的搜索救援、建筑物内部的结构检测、森林环境的资源勘探等。通过提升无人机在复杂环境中的定位精度和地图构建质量，可以提高这些任务的效率和安全性，并为未来的智能无人机应用奠定基础。

📄 摘要（原文）

LiDAR-based 3D perception and localization on unmanned aerial vehicles (UAVs) are fundamentally limited by the narrow field of view (FoV) of compact LiDAR sensors and the payload constraints that preclude multi-sensor configurations. Traditional motorized scanning systems with fixed-speed rotations lack scene awareness and task-level adaptability, leading to degraded odometry and mapping performance in complex, occluded environments. Inspired by the active sensing behavior of owls, we propose AEOS (Active Environment-aware Optimal Scanning), a biologically inspired and computationally efficient framework for adaptive LiDAR control in UAV-based LiDAR-Inertial Odometry (LIO). AEOS combines model predictive control (MPC) and reinforcement learning (RL) in a hybrid architecture: an analytical uncertainty model predicts future pose observability for exploitation, while a lightweight neural network learns an implicit cost map from panoramic depth representations to guide exploration. To support scalable training and generalization, we develop a point cloud-based simulation environment with real-world LiDAR maps across diverse scenes, enabling sim-to-real transfer. Extensive experiments in both simulation and real-world environments demonstrate that AEOS significantly improves odometry accuracy compared to fixed-rate, optimization-only, and fully learned baselines, while maintaining real-time performance under onboard computational constraints. The project page can be found at https://kafeiyin00.github.io/AEOS/.