「把激光雷达“用活”」目录01 硬件突破把扫描权从机体“解放”02 分层框架全局规划局部扫描双管齐下一全局规划拓扑感知的视点序列生成二局部扫描FU-MPC预测控制优化03 实验验证效率精度双领先一仿真结果效率提升37%-61%二消融实验动态扫描最优三实测表现实时性拉满04 核心创新与行业启示05 总结未知环境下的无人机自主探索核心矛盾始终是探索效率与定位精度的博弈。一方面要快速覆盖未知区域、构建完整三维地图另一方面复杂几何环境中激光雷达惯性里程计LIO易漂移定位失效会直接导致任务失败。传统固定视角激光雷达无人机感知范围与机体姿态强绑定扩大覆盖需频繁机动既低效又加剧定位风险而现有可旋转激光雷达方案仅把扫描当固定流程未将其与探索进度、定位需求深度绑定。南洋理工大学团队联合南科大等团队提出的FU-MPC前沿与不确定性感知模型预测控制正是瞄准这一空白通过硬件重构与分层控制让激光雷达旋转成为可实时优化的“决策变量”为无人机高效精准探索提供了新范式。01 硬件突破把扫描权从机体“解放”FU-MPC的核心前提是搭建可独立驱动的旋转激光雷达无人机平台打破传统感知与机体的强耦合。硬件设计的关键在于实现扫描运动与飞行动力学的解耦。平台搭载独立电机驱动的激光雷达可绕轴360°旋转无需无人机额外平移或偏航同时采用STM32微控制器构建时序中枢统一同步激光雷达、IMU、编码器数据保证多传感器融合精度。这种设计让激光雷达旋转速度与方向不再是固定参数而是可实时调整的控制输入——无人机飞自己的激光雷达“看”自己的感知自由度从3个机体姿态提升至4个加雷达旋转。图| 主动旋转激光雷达无人机硬件系统设计这一硬件改动看似简单实则直击行业痛点传统无人机想探测侧方或下方未知区域必须调整航向或高度既增加飞行时间又让LIO在几何退化区域如狭长隧道易因运动模糊累积误差而独立旋转雷达可定向扫描关键区域减少无效机动从硬件层面平衡覆盖范围与定位稳定性。02 分层框架全局规划局部扫描双管齐下FU-MPC采用分层探索框架上层负责“去哪探索”下层解决“怎么扫”全局统筹与局部优化结合兼顾长期效率与短期精度。图| FU-MPC 系统总览分层探索框架一全局规划拓扑感知的视点序列生成传统全局规划多以欧氏距离选探索目标易生成需大角度转向、频繁升降的低效路径未考虑复杂3D环境的可达性与机动成本。FU-MPC的全局规划先对前沿已知/未知区域边界聚类筛选代表性观测视点再用拓扑感知代价函数排序核心是让路径“好走、高效”。图| 全局规划流程前沿聚类与拓扑路径对比具体分为两步视点采样与动态聚类对每个前沿簇估算中心与法向仅在法向半球采样候选视点保证观测有效性再合并空间重叠的前沿簇减少目标冗余把数百个前沿简化为少量核心视点。拓扑感知排序代价函数不仅算路径长度还加入可达性、垂直机动负担、航向一致性公式简化为(为最大飞行速度、为路径点水平、高度坐标)同时加入航向一致性项优先选与当前飞行方向对齐的目标减少急转。最终用LKH求解器解算开放旅行商问题生成最优视点序列二局部扫描FU-MPC预测控制优化全局规划给出飞行轨迹后FU-MPC作为局部扫描控制器在预测时域内实时优化激光雷达旋转同时最大化前沿探索收益、最小化定位不确定性。核心是把“扫描动作”与两个关键目标绑定而非固定转速。图| 建筑场景扫描策略自适应1. 预测扫描提前预判观测范围FU-MPC先基于当前雷达角度、角速度及未来飞行轨迹预测后续扫描状态公式如下(为雷达角度为角速度为步长)结合机体姿态算出雷达主扫描方向为后续评估打基础。2. 双目标优化效率与精度平衡控制器同时优化两个核心指标前沿感知效用优先扫描含大量未知区域的方向用距离、簇密度加权计算收益公式简化为(为基准收益,为可见前沿收益)定位不确定性用费雪信息矩阵评估局部几何约束强度, 矩阵迹越小, 定位越准公式为:(为费雪信息矩阵)最终优化目标是加权求和最小化同时限制雷达转速、加速度, 保证硬件可行:(、、为权重为角加速度) 为满足机载实时性 (控制周期 0.1 秒), 采用轻量级分段线性代理模型离线预计算不确定性表, 在线插值查询, 避免复杂矩阵运算。03 实验验证效率精度双领先团队在洞穴、空间迷宫、熔岩管三大仿真场景及室外停车场、建筑环境开展实测对比EPIC、FUEL等主流方法FU-MPC在效率、定位精度上均显著领先。一仿真结果效率提升37%-61%图| 基准算法对比探索时间与轨迹长度空间迷宫FU-MPC耗时112.98秒比EPIC快36.8%轨迹缩短48.7%熔岩管狭长隧道EPIC需频繁偏航耗时359.91秒FU-MPC仅138.11秒提升61.6%定位精度熔岩管场景中FU-MPC的绝对位姿误差APERMSE仅0.191米EPIC达0.664米洞穴场景中EPIC因漂移RMSE达58.987米FU-MPC仅1.03米。图| 三大场景探索进度与无人机轨迹二消融实验动态扫描最优对比固定30°/s、100°/s、360°/s转速FU-MPC动态扫描的RMSE最低0.068米轨迹最短214.94米。低速扫描精度高但效率低高速扫描效率高但易漂移FU-MPC完美破解这一权衡。图| 激光转速消融定位误差与效率对比三实测表现实时性拉满室外复杂场景中无人机在拐角处自动降速扫描、过弯后提速适配环境复杂度机载CPU占用率仅28.98%全局规划占17.25%局部扫描仅1.88%算力开销极低。图| 室外场景实测试验第一 / 第三人称视角04 核心创新与行业启示FU-MPC的价值不止是性能提升更在于理念革新把激光雷达从“被动传感器”升级为“主动决策单元”。过往研究多聚焦无人机“去哪飞”忽视“怎么扫”而FU-MPC证明扫描策略与飞行轨迹同等重要甚至更影响探索上限。图| FU-MPC 核心特性主动旋转激光雷达与高效精准探索其分层框架也为行业提供可复用思路全局层解决“路径最优”局部层解决“感知最优”用轻量化模型平衡精度与算力适配无人机机载资源限制。而硬件层面独立旋转雷达的设计门槛不高易落地有望成为下一代探索无人机标配。不过FU-MPC仍有局限当前仅考虑静态环境未应对动态障碍物前沿聚类依赖点云质量稀疏场景易失效权重参数需手动调优未引入自适应机制。这些都是后续可突破的方向。05 总结未知环境无人机探索从来不是“快”与“准”二选一而是如何兼得。FU-MPC通过硬件解耦扫描与飞行、拓扑感知全局规划、双目标预测控制让激光雷达“该快则快、该慢则慢”既快速覆盖未知区域又保证定位稳定。这项工作的意义在于重新定义无人机自主探索的“感知-控制”边界感知不再是飞行的附属而是与飞行并列的核心决策环节。随着硬件成本下降、算法优化这类“感知可控”的探索框架有望在灾后搜救、地下勘探、工业巡检等场景落地让无人机真正成为未知环境的“全能探索者”。Ref论文标题FU-MPC: Frontier- and Uncertainty-Aware Model Predictive Controlfor Efficient and Accurate UAV Exploration with Motorized LiDAR论文链接https://arxiv.org/pdf/2605.14920项目链接https://kafeiyin00.github.io/FU-MPC/