效率飙升61%！南洋理工&南科大新方法，让无人机边飞边“转头”，探索又快又准

深蓝学院

275人浏览 · 2026-05-21 10:15:00

深蓝学院 · 2026-05-21 10:15:00 发布

「把激光雷达“用活”」

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

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：

$d_{ij} = \frac{1}{v_{max}/2} \sum \left( |x_{l+1} - x_l| + 0.5 |z_{l+1} - z_l| \right)$

( $v_{max}$ 为最大飞行速度， $x$ 、 $z$ 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：

$\theta_{i+1} = \theta_i + \omega_i \Delta t$ ( $\theta$ 为雷达角度， $\omega$ 为角速度， $\Delta t$ 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：

$J(\theta_k) = R_{total} - \sum r_{k,i}$

( $R_{total}$ 为基准收益, $r_{k,i}$ 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:

$f(\theta_c) = \text{tr}\left(F(\theta_c)^{-1}\right)$ ，( $F$ 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:

$\min \sum \left[ \alpha J(\theta_k) + \beta f(\theta_k) \right] + \gamma \sum (u_{k+1} - u_k)^2$

( $\alpha$ 、 $\beta$ 、 $\gamma$ 为权重， $u$ 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（APE）RMSE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。