En la exploración autónoma de UAV, los grandes clústeres de frontera suelen estar asociados con una alta ganancia de información y se visitan primero. En contraste, los clústeres de frontera pequeños y aislados, con menos fronteras, están asociados con una menor ganancia de información y, por lo tanto, se exploran con baja prioridad. Sin embargo, estos pequeños y aislados clústeres de frontera a menudo están en estrecha proximidad a los UAV y rodeados de áreas exploradas, lo que podría resultar en vuelos de ida y vuelta que disminuyen la eficiencia de la exploración. Este documento propone LAEA, un algoritmo de exploración de UAV asistido por LiDAR y dominado por cámaras de profundidad que tiene como objetivo mejorar la eficiencia de la exploración autónoma de UAV. Se obtiene un mapa híbrido que caracteriza información rica del perfil ambiental en tiempo real, lo que nos permite detectar pequeños y aislados clústeres de frontera que pueden llevar a visitas repetidas a áreas exploradas. Se incorpora una estrategia de optimización de ganancia de información ambiental de tal manera que los clústeres de frontera con áreas no exploradas más grandes detrás de ellos, así como los pequeños y aislados clústeres de frontera cerca del UAV, se les asignan mayores pesos para priorizar su orden de visita. Se genera una trayectoria de vuelo optimizada para cubrir clústeres de frontera no explorados en la inmediata vecindad del UAV mientras vuela hacia el siguiente objetivo. Se realizó una comparación exhaustiva entre el algoritmo propuesto y algoritmos de última generación a través de un estudio de simulación, que mostró que nuestro algoritmo exhibe una superior eficiencia de exploración en varios entornos. También se llevaron a cabo experimentos para verificar la viabilidad del enfoque propuesto en escenarios del mundo real.