AEOS：面向复杂场景中UAV LiDAR-惯性里程计的主动环境感知最优扫描控制
机器人学
2025-09-12 v1
摘要
LiDAR-based 3D感知与定位在无人机(UAV)上受限于紧凑型LiDAR传感器窄的视场(FoV)以及禁止多传感器配置的有效载荷限制。传统马达化扫描系统采用固定速度旋转，缺乏场景感知和任务层次的适应性，导致在复杂、遮挡环境中的里程计和地图构建性能受损。鼓舞着猫 owl的主动感知行为，我们提出AEOS(Active Environment-aware Optimal Scanning)，一个受生物启发且计算高效的框架，用于UAV基于LiDAR-惯性里程计(LIO)的自适应LiDAR控制。AEOS将模型预测控制(MPC)与强化学习(RL)融合为混合架构：一个解析的不确定性模型用于预测 exploitation 的未来姿态可观测性，而一个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，覆盖真实世界LiDAR地图的多样场景，实现仿真到现实的迁移。广泛的仿真和现实环境实验表明，AEOS在固定速率、仅优化或完全学习的基线方法上显著提高了里程计精度，同时在 onboard 计算资源限制下保持实时性能。项目页面可访问于https://kafeiyin00.github.io/AEOS/。
关键词
引用
@article{arxiv.2509.09141,
title = {AEOS: Active Environment-aware Optimal Scanning Control for UAV LiDAR-Inertial Odometry in Complex Scenes},
author = {Jianping Li and Xinhang Xu and Zhongyuan Liu and Shenghai Yuan and Muqing Cao and Lihua Xie},
journal= {arXiv preprint arXiv:2509.09141},
year = {2025}
}