FU-MPC: Frontier- and Uncertainty-Aware Model Predictive Control for Efficient and Accurate UAV Exploration with Motorized LiDAR

📄 arXiv: 2605.14920v1 📥 PDF

作者: Jianping Li, Pengfei Wan, Zhongyuan Liu, Yi Wang, Yiheng Chen, Xinhang Xu, Rui Jin, Boyu Zhou, Lihua Xie

分类: cs.RO

发布日期: 2026-05-14

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出FU-MPC，利用可旋转激光雷达提升无人机在未知环境中的探索效率与定位精度

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 无人机探索 模型预测控制 激光雷达 自主导航 定位不确定性

📋 核心要点

  1. 传统激光雷达无人机探索受限于观测区域与无人机运动的耦合，导致探索效率低且易降低定位精度。
  2. FU-MPC利用可旋转激光雷达，将其扫描自由度作为决策变量，联合优化探索效用和定位不确定性。
  3. 实验表明，FU-MPC在复杂环境中提升了探索效率，并保持了鲁棒的定位性能，优于传统方法。

📝 摘要（中文）

本文提出了一种用于无人机高效探索未知环境的前沿与不确定性感知模型预测控制（FU-MPC）方法。该方法旨在解决传统激光雷达无人机探索中，观测区域与无人机姿态和运动紧密耦合，导致探索效率降低和定位精度下降的问题。通过在无人机上配备独立驱动的可旋转激光雷达，并将其扫描自由度作为显式决策变量，FU-MPC能够联合优化前沿感知的探索效用和方向依赖的定位不确定性。该方法采用分层探索框架，全局规划器将前沿组织成代表性视点并使用拓扑感知的转移成本进行排序。FU-MPC作为局部后退视界扫描控制器，在预测的飞行轨迹上优化激光雷达的旋转。实验结果表明，与固定模式扫描和仅考虑不确定性的基线方法相比，该系统在复杂环境中提高了探索效率，同时保持了鲁棒的定位性能。

🔬 方法详解

问题定义：现有激光雷达无人机探索方法中，传感器的观测范围与无人机的位姿和运动紧密相关。为了扩展覆盖范围，无人机通常需要进行额外的平移或旋转，这降低了探索效率，并且在几何结构复杂的环境中容易导致定位精度下降。因此，如何在保证定位精度的前提下，高效地扩展未知环境的探索范围是一个关键问题。

核心思路：本文的核心思路是利用可旋转的激光雷达，将激光雷达的旋转角度作为一个额外的控制自由度，通过主动调整激光雷达的扫描方向，在不改变无人机运动的前提下，优化探索效率和定位精度。通过模型预测控制（MPC）方法，在预测的无人机轨迹上，联合考虑前沿区域的探索效用和方向依赖的定位不确定性，从而实现高效且鲁棒的探索。

技术框架：该方法采用分层探索框架。首先，全局规划器将环境中的前沿区域组织成代表性的视点，并使用拓扑感知的转移成本对这些视点进行排序，生成全局探索路径。然后，FU-MPC作为局部后退视界扫描控制器，在全局路径的引导下，根据预测的无人机飞行轨迹，优化激光雷达的旋转角度。FU-MPC同时考虑前沿感知的探索效用和方向依赖的定位不确定性，并采用轻量级的替代评估方法，以实现实时的机载执行。

关键创新：该方法最重要的创新点在于将可旋转激光雷达的扫描自由度显式地纳入到探索决策中。与传统的固定模式扫描或仅考虑定位不确定性的方法不同，FU-MPC能够根据环境的几何结构和无人机的运动状态，动态地调整激光雷达的扫描方向，从而在探索效率和定位精度之间取得更好的平衡。

关键设计：FU-MPC的关键设计包括：1) 前沿感知的探索效用函数，用于评估不同扫描方向对探索范围的贡献；2) 方向依赖的定位不确定性模型，用于预测不同扫描方向下的定位精度；3) 轻量级的替代评估方法，用于加速MPC的优化过程，使其能够在机载计算机上实时运行。具体而言，定位不确定性通过信息增益来衡量，并使用高斯过程回归进行建模。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，与固定模式扫描和仅考虑不确定性的基线方法相比，FU-MPC在复杂环境中显著提高了探索效率，同时保持了鲁棒的定位性能。具体而言，FU-MPC能够以更少的飞行距离覆盖更大的区域，并且在定位精度方面与基线方法相当甚至更好。项目主页提供了详细的实验数据和视频。

🎯 应用场景

该研究成果可应用于多种场景，例如灾后救援、矿山勘探、桥梁检测等。通过提高无人机在复杂未知环境中的自主探索能力，可以减少人工干预，降低人员风险，并提高任务效率。未来，该技术有望与SLAM、路径规划等技术相结合，实现更智能、更高效的无人机自主作业。

📄 摘要（原文）

Efficient UAV exploration in unknown environments requires rapid coverage expansion while maintaining accurate and reliable localization, since safe navigation in complex scenes depends on consistent mapping and pose estimation. However, for conventional LiDAR-equipped UAVs, the observable region is tightly coupled with the UAV pose and motion. Expanding coverage often requires additional translational or rotational maneuvers, which can reduce exploration efficiency and increase the risk of localization degradation in geometrically challenging environments. Motorized rotating LiDARs provide a promising solution by actively adjusting the sensor viewing direction without changing the UAV motion, thereby introducing an additional sensing degree of freedom. Nevertheless, existing exploration systems rarely exploit this scanning freedom as an explicit decision variable linked to both exploration progress and localization quality. To address this gap, we develop a UAV platform equipped with an independently actuated rotating LiDAR and propose a hierarchical exploration framework. The global planner organizes frontiers into representative viewpoints and sequences them using topology-aware transition costs. Built upon this planner, FU-MPC serves as a local receding-horizon scan controller that optimizes LiDAR rotation along the predicted flight trajectory. The controller jointly considers frontier-aware exploration utility and direction-dependent localization uncertainty, while lightweight surrogate evaluation enables real-time onboard execution. Experiments in complex environments demonstrate that the proposed system improves exploration efficiency while maintaining robust localization performance compared with fixed-pattern scanning and uncertainty-only baselines. The project page can be found at https://kafeiyin00.github.io/FU-MPC/.