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，用于复杂场景下无人机LiDAR惯性里程计的主动环境感知最优扫描控制。

🎯 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 LiDAR 惯性里程计 主动感知 模型预测控制 强化学习 环境感知 最优扫描

📋 核心要点

  1. 传统无人机LiDAR里程计受限于LiDAR的窄视野和有效载荷约束，在复杂遮挡环境中性能下降。
  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成本图指导探索。
  3. 通过点云仿真环境进行训练，AEOS在真实和仿真环境中均显著提升了里程计精度，并保持实时性。

📝 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，用于解决无人机（UAV）上基于LiDAR的3D感知和定位问题，该问题受限于紧凑型LiDAR传感器的窄视野（FoV）和有效载荷约束。AEOS受到猫头鹰主动感知行为的启发，是一种生物启发且计算高效的自适应LiDAR控制框架，用于无人机LiDAR惯性里程计（LIO）。AEOS结合了模型预测控制（MPC）和强化学习（RL）：分析不确定性模型预测未来的位姿可观测性以进行利用，而轻量级神经网络从全景深度表示中学习隐式成本图以指导探索。为了支持可扩展的训练和泛化，我们开发了一个基于点云的仿真环境，其中包含跨不同场景的真实LiDAR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相比，AEOS显著提高了里程计精度，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LiDAR里程计受限于紧凑型LiDAR传感器的窄视野，难以在复杂、遮挡严重的环境中获得足够的观测信息，导致里程计精度下降。传统方法通常采用固定速率扫描，缺乏环境感知能力和任务自适应性，无法根据环境特点调整扫描策略。

核心思路：受到猫头鹰主动感知行为的启发，AEOS的核心思路是使无人机LiDAR系统具备主动环境感知能力，通过智能控制LiDAR的扫描方式，最大化信息获取，从而提高里程计精度。这种主动扫描策略能够根据环境的复杂程度和任务需求，动态调整扫描范围和频率，从而在有限的计算资源下实现最佳的感知效果。

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用于预测未来位姿的可观测性，指导系统进行“利用”，即在已知较好的区域进行更精细的扫描。RL则用于学习一个隐式的成本图，该成本图反映了环境的复杂程度和信息价值，指导系统进行“探索”，即在未知或信息丰富的区域进行扫描。整体流程包括：1) 使用LiDAR数据构建全景深度表示；2) 使用RL网络预测成本图；3) 使用MPC根据成本图和可观测性预测结果，优化LiDAR的扫描控制策略。

关键创新：AEOS的关键创新在于将MPC和RL相结合，实现了一种主动环境感知的LiDAR扫描控制策略。与传统的固定速率扫描或仅基于优化的方法相比，AEOS能够根据环境的特点动态调整扫描策略，从而在复杂环境中获得更好的里程计精度。此外，使用轻量级神经网络学习隐式成本图，降低了计算复杂度，使其能够在无人机等计算资源有限的平台上实时运行。

关键设计：AEOS的关键设计包括：1) 基于点云的仿真环境，用于支持可扩展的训练和泛化；2) 轻量级神经网络结构，用于学习隐式成本图；3) MPC的优化目标函数，综合考虑了位姿可观测性和环境成本；4) 从仿真到现实的迁移策略，保证了算法在真实环境中的有效性。具体的损失函数和网络结构等细节在论文中有详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，AEOS在仿真和真实环境中均显著提高了里程计精度。在仿真环境中，AEOS相比于固定速率扫描的里程计精度提升了约30%。在真实环境中，AEOS也取得了类似的提升效果，并且能够在机载计算资源下实现实时运行。与仅优化和完全学习的基线相比，AEOS也表现出更优的性能。

🎯 应用场景

AEOS技术可应用于多种无人机场景，例如复杂环境下的自主导航、三维重建、灾害救援和基础设施巡检。通过主动调整LiDAR的扫描策略，可以提高无人机在复杂环境中的定位精度和感知能力，从而实现更安全、更高效的作业。未来，该技术有望扩展到其他机器人平台，例如地面机器人和水下机器人。

📄 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/.