Применение инерциальных МЭМС-модулей в сканирующей LiDAR-системе Текст научной статьи по специальности «Нанотехнологии»

МИКРО- И НАНОСИСТЕМНАЯ ТЕХНИКА MICRO- AND NANOSYSTEM TECHNOLOGY

Научная статья УДК 681.586.72

doi:10.24151/1561-5405-2024-29-3-331-345 EDN: AHUVXS

Применение инерциальных МЭМС-модулей в сканирующей LiDAR-системе

А. А. Галкин1'2, П. В. Еркин1'2, В. П. Захаров1'2, Н. А. Соломкина1'2, А. С. Тимошенков2, С. П. Тимошенков1

1 Национальный исследовательский университет «МИЭТ»,

г. Москва, Россия

2

ООО «Лаборатория Микроприборов», г. Москва, Россия at@mp-lab.ru

Аннотация. Технология LiDAR (Ligt Detection and Ranging) позволяет определять расстояние до объектов за счет измерения времени отражения импульса излучения и таким образом воссоздает виртуальную карту (облако точек). Однако LiDAR-система без инерциально-спутниковой навигационной системы, которая позволяет вычислить положение и ориентацию LiDAR-системы в пространстве, не может корректно построить облако точек, поскольку определяет только расстояние до объектов. Интегрированная система синхронизирует во времени данные LiDAR-системы и инерциально-спутниковой навигационной системы, после чего переводит данные LiDAR-системы в глобальную систему координат UTM и формирует облако точек. В работе представлены интегрированная система лазерного сканирования, включающая в себя инерци-ально-спутниковую навигационную систему на МЭМС-датчиках и LiDAR-систему, а также алгоритм построения облака точек. Спроектирована интегрированная сканирующая система на инерциальных МЭМС-датчиках с применением глобальной навигационной спутниковой системы и LiDAR-системы, по данным которой с помощью специализированного программного обеспечения построено облако точек. Опытный образец данной системы успешно протестирован на наземном носителе. По данным испытаний оценена практическая и теоретическая погрешности системы. Расхождение погрешностей обусловлено несоответствием практической погрешности определения координат сканирующей системы теоретической. Дальнейшие исследования заключаются в разработке автоматического алгоритма минимизации погрешностей путем подбора углов доворота инерциально-спутниковой навигационной системы и LiDAR-системы.

© А. А. Галкин, П. В. Еркин, В. П. Захаров, Н. А. Соломкина, А. С. Тимошенков, С. П. Тимошенков, 2024

Ключевые слова: МЭМС, глобальная навигационная спутниковая система, инер-циальная навигация, LiDAR-система, картография, автономный транспорт

Для цитирования: Применение инерциальных МЭМС-модулей в сканирующей LiDAR-системе / А. А. Галкин, П. В. Еркин, В. П. Захаров и др. // Изв. вузов. Электроника. 2024. Т. 29. № 3. С. 331-345. https://doi.org/10.24151/1561-5405-2024-29-3-331-345. - EDN: AHUVXS.

Original article

Application of inertial MEMS modules in a scanning LiDAR system

A. A. Galkin12, P. V. Erkin1'2, V. P. Zaharov12, N. A. Solomkina12, A. S. Timoshenkov2, S. P. Timoshenkov1

1National Research University of Electronic Technology, Moscow, Russia

2 a >>

"Laboratory of Microdevices" LLC, Moscow, Russia at@mp-lab.ru

Abstract. The LiDAR technology allows determining the distance to objects by measuring radiation pulse reflection time and therefore recreates a virtual map (point cloud). However, LiDAR system without inertial satellite navigation system allowing calculation of its position and spatial orientation cannot construct point cloud correctly because LiDAR system determines only the distance to objects. Integrated system synchronizes in time the LiDAR system and inertial satellite navigation system data upon which it converts LiDAR system data to the global coordinate system UTM and creates point cloud. In this work, an integrated laser scanning system including inertial satellite navigation system based on MEMS sensors and LiDAR system, and a point cloud construction algorithm are presented. An integrated scanning system was designed using in-ertial MEMS sensors, global navigation satellite system and LiDAR system, on data from which a point cloud was constructed using specialized software. A prototype of this system was successfully tested on a ground-mounted carrier. Based on the test data, the practical and theoretical errors of the system were estimated. The errors' mismatch is due to discrepancy between the scanning system's practical positioning error and theoretical error. Further research of this topic is to develop an automatic algorithm for minimizing errors by selecting the rotation angles of the inertial satellite navigation system and LiDAR system.

Keywords: MEMS, global navigation satellite system, inertial navigation, LiDAR system, mapping, autonomous transport

For citation: Galkin A. A., Erkin P. V., Zaharov V. P., Solomkina N. A., Timoshenkov A. S., Timoshenkov S. P. Application of inertial MEMS modules in a scanning LiDAR system. Proc. Univ. Electronics, 2024, vol. 29, no. 3, pp. 331-345. https://doi.org/ 10.24151/1561-5405-2024-29-3-331-345. - EDN: AHUVXS.

Введение. Технология LiDAR (Light Detection and Ranging) основывается на определении расстояния до объектов за счет передачи импульса видимого, инфракрасного или ультрафиолетового излучений и приема импульса, отраженного от объекта. Данная технология применяется в климатологии для изучения состава атмосферы, облаков, испарений и глобального потепления; океанографии для исследования береговой эрозии; ботанике для измерения изменяющейся структуры лесов; оборудовании для измерения скорости автомобилей; картографии для создания виртуальной трехмерной карты из облака точек, полученных при сканировании, например, города; транспортных средствах для распознавания препятствий и вычисления расстояния до них [1-3]. Кроме того, в некоторых смартфонах LiDAR-система встроена в камеру и используется для 3D-сканирования и создания дополненной реальности, например «воссоздания» на экране смартфона архитектурных сооружений, которые по каким-либо причинам были уничтожены [4, 5].

Однако построение облака точек для создания трехмерной карты с использованием технологии LiDAR невозможно без глобальной навигационной спутниковой системы (ГНСС) и инерциальных датчиков [6]. Эти устройства выполняют роль географической привязки за счет определения координат и ориентации LiDAR-системы. Приемник сигнала ГНСС определяет координаты сканирующей системы, но этого недостаточно, поскольку нет информации об ориентации системы. Такая информация может быть получена с помощью инерциальных датчиков.

Сканирующая система генерирует более 1 млн импульсов в секунду. В идеальном случае для точного определения координат каждой точки необходимо вычислять координаты и ориентацию сканирующей системы с частотой не менее 1 МГц. Поскольку полоса пропускания инерциальных датчиков чаще всего составляет от десятков гигагерц до единиц килогерц, а частота обновления данных ГНСС не превышает 10-20 Гц, такое определение координат и ориентации не представляется возможным. При ком-плексировании данных ГНСС и инерциальных данных с помощью фильтра Калмана можно получить частоту обновления навигационных данных порядка 1 кГц [7], а на микросекундном масштабе для уточнения координат и ориентации применить линейную или полиномиальную интерполяцию.

Цель настоящей работы - создание интегрированной системы с инерциальными МЭМС-датчиками, ГНСС и LiDAR-системой, а также алгоритма обработки данных и построения облака точек.

Разработка конструкции и изготовление системы. Для разработки конструкции подобрана необходимая аппаратура и составлена схема подключения этой аппаратуры (рис. 1). Система содержит следующие основные блоки аппаратуры:

- система управления. Блок реализован на одноплатном компьютере Raspberry Pi, он отвечает за взаимодействие всех блоков между собой и осуществляет контроль работы системы;

- система позиционирования и ориентации. Блок выполнен на интегрированной системе инерциальных датчиков (датчика угловой скорости, акселерометра, магнитометра) с приемниками ГНСС - инерциальный модуль ГКВ-6 [9] и ГНСС-антенна Ublox [10], подключаемая к нему;

- система измерения расстояний. Блоком является подсистема LiDAR (Velodyne, США) [11], которая измеряет расстояние до объектов на дистанциях до 100 м;

Система управления

Система позиционирования и ориентации

Блок ГНСС

Z3EI

Блок инерциальной навигации

Хранилище данных

Блок обработки сигнала

Система измерения расстояния —( Лазер )—

Передающая оптическая система

Блок обработки сигнала Спектро-анализатор Приемная оптическая система

Рис. 1. Схема LiDAR-системы [8] Fig. 1. Scheme of the LiDAR system [8]

Система разверстки

Зондирующий импульс

Отраженное излучение

- система разверстки. Блоком является подсистема LiDAR, которая позволяет направлять и фокусировать исходящие и поступающие световые волны;

- хранилище данных. Блок реализован с помощью памяти компьютера Raspberry Pi и нужен для приема и хранения выходных данных систем позиционирования и измерения расстояний.

Автономную работу системы поддерживает внешний источник питания.

Разработана модель конструкции, в которой учтены особенности крепления составных частей и их оптимальное расположение (рис. 2). Например, важно располагать LiDAR-систему под углом 45°, поскольку конструктивно ее лучи расходятся на угол 2°, и если система будет расположена вертикально, а расстояние до объекта близко к предельному, это может привести к малой плотности точек в облаке, также ГНСС-антенны должны располагаться под открытым небом, а электроника должна быть закрыта от внешних воздействий. При проектировании учтены способы крепления к рейлингам автомобиля для динамических тестов. Модель конструкции размером 1000 х 250 х 400 мм представляет собой кожух из листов фанеры толщиной 10 мм. Фанера выбрана для облегчения конструкции и уменьшения стоимости изготовления. На рис. 3 показана модель конструкции LiDAR-системы с размещенными составными частями.

Рис. 2. Система на базе LiDAR, инерциальных датчиков и ГНСС: а - схема конструкции; б - модель Fig. 2. System based on LiDAR, inertial sensors and GNSS: a - scheme of the design; b - model

Рис. 3. Модель конструкции LiDAR-системы Fig. 3. LiDAR system design model

Разработка алгоритма. Задача, выполняемая алгоритмом, заключается в сборе данных от блоков позиционирования и ориентации, измерении расстояний и разверстки, обработке полученных данных и их «преобразовании» в комплексное решение, а именно построение облака точек. Схема работы алгоритма построения облака точек представлена на рис. 4.

Рис. 4. Схема работы алгоритма построения облака точек Fig. 4. Scheme of the algorithm for constructing point cloud

Перед работой с данными, полученными от всех подсистем, необходимо привести систему координат LiDAR к системе координат инерциального датчика. Для этого данные от LiDAR-системы следует умножить на матрицу 4 х 4:

0 0 0

где Я - матрица поворота, переводящая данные из координат LiDAR-системы в координаты инерциальной навигационной системы (ИНС); Д^, Увь, - плечи между системами координат LiDAR и ИНС. Матрица поворота Я имеет вид

Xsh Y Y data Y new

Y Y sh Y data Y new

X —

7 7sh 7 data 7 new

1 1 1

R11 R12 R13

R21 R22 R23

R31 R32 R33

Тогда новые координаты LiDAR-системы следующие:

Xnew — R11 'Xdata + R12 ' Ydata + R13 ' Zdata + Xsh '

Y = R .Y + R .Y + R -7 + Y -1

Ynew R21 Y data ^ R22 1 data ^ R23 7data ^ 1 sh 1,

7 = R . Y + R .Y + R .7 + 7 .1

7new R31 Y data ^ R32 Y data ^ R33 7data ^ 7 sh 1

Матрица R образуется из углов крена (Roll), курса (Yaw) и тангажа (Pitch). Графически поворот можно представить согласно рис. 5.

Рис. 5. Графическое представление доворота осей LiDAR-системы к осям инерциального модуля ГКВ-6: положительный поворот вокруг осей Z (а), Y (б), X (в) Fig. 5. Graphical representation of the rotation of the LiDAR system axes to the inertial module GKV-6 axes: positive rotation around the axes Z (a), Y (b), X(c)

Углы доворота инерциального модуля ГКВ-6 можно определить по формулам

Д L= JX2

Yaw = arctg2(Y

gkvXlid ' XgkvXlid у

+Y2

gkvXlid gkvXlid

Plteh = arctg2( ZgkvXlid,L) Roll = arcsin(ZgkvYiid / L),

gkvYlid

где X

gkvXlid 5 gkvXlid

Ysbxiid - проекции осей X LiDAR-системы на оси X и 7 соответственно;

Z„

Z - длина проекции оси X LiDAR-системы на плоскость ХУ ГКВ-6; , zgbYlid

проекции осей X и 7 LiDAR-системы на ось Z соответственно.

Для получения облака точек необходимо выполнить обработку исходных данных. Вначале строится уточненная траектория ГНСС с сантиметровой точностью с использованием данных приемника и базовой станции. Затем эти данные комплексируются с данными инерциальных датчиков для получения точной траектории и ориентации. Используя полученную траекторию движения и исходные данные LiDAR-системы путем преобразований систем координат и интерполяции данных, получаем облако точек. Для выполнения описанных преобразований разработаны две утилиты (рис. 6): Sigma, осуществляющая построение траектории, и CloudCreator, позволяющая построить облако точек. Результат (облако точек), полученный после обработки данных от системы с помощью утилит, показан на рис. 7.

б

Рис. 6. Программные утилиты для преобразования данных: а - Sigma; б - CloudCreator Fig. 6. Software utilities for data transformation: a - Sigma; b - CloudCreator

Рис. 7. Облако точек после обработки данных в CloudCreator Fig. 7. Point cloud after data transformation in CloudCreator

Оценка погрешности координат точек в облаке. Теоретическая погрешность.

Погрешность координат точек в облаке складывается из следующих компонентов: погрешностей определения ориентации ИНС, координат ГНСС, расстояния сканирующей системой, перевода системы координат ИНС и сканирующей системы. Зная типовую погрешность ИНС в определении координат и ориентации, погрешности сканирующей системы и совмещения систем координат, теоретическую погрешность координат точек в облаке можно рассчитать по формуле

А _ /Д2 , Д2 , д2 , д2

^cloud V ^ИНС ^ ^ГНСС ^ ^LiDAR ^ ^ИНС^-LiDAR

(1)

где ДиНС = 0,1° - погрешность определения ориентации [9] (для предельного расстояния сканирующей подсистемы, равного 100 м, погрешность координат точки составит 18 см); ДГНСС = 1 см - погрешность определения координат системы [10]; Дьюдо = 3 см -погрешность определения расстояния сканирующей системой [11]; ДИНс^иоАк -погрешность определения перевода системы координат ИНС и сканирующей системы.

Погрешность ДИНС^ьшАя можно минимизировать с помощью калибровки. Так, погрешность перевода до калибровки составляет 1°, после калибровки равна 0,3° (на максимальном расстоянии сканирования, составляющем 100 м, погрешность определения координат точек составляет 175 и 53 см соответственно). В формуле (1) не учитывается погрешность, возникающая вследствие ошибки синхронизации во времени данных ИНС и ЫВАЯ-системы, поскольку максимальная ошибка синхронизации составляет 10 мкс, что соответствует ошибке координат ~ 0,5 мм для точки на расстоянии 100 м при движении сканирующей системы со скоростью 30 км/ч и поворотом со скоростью 180 °/с (максимальные значения в ходе эксперимента). Суть калибровки заключается в установке сканирующей системы и ИНС на неподвижное основание и сканировании горизонтальной поверхности пола помещения в статическом положении (рис. 8). В процессе сканирования записываются данные о соотношении вектора ускорения свободного падения g от ИНС и нормали к поверхности пола.

В идеальном случае нормаль к поверхности пола и вектор g должны быть колли-неарными, когда устройство находится в статическом положении. Нарушения этой коллинеарности могут свидетельствовать о систематических ошибках ИНС или рас-

хождении осей ИНС и LiDAR-системы. По разнице между нормалью к поверхности пола и вектором g проводится приведение системы координат LiDAR к системе координат ИНС. На практике данный метод реализован за счет установки устройства в 15 статических положениях в диапазоне ±90° по осям Х и У сканирующей системы. Шаг угла составляет 45° для оси Х и 90° для оси У. По усредненным данным акселерометров вычисляются значения вектора g, а из данных ЫБЛЯ-системы с помощью алгоритма МБАС [12] находятся уравнения сканируемой плоскости и нормали к ней. Затем методом наименьших квадратов рассчитываются довороты системы координат ЫБЛЯ к системе координат ИНС в каждом из положений.

Нахождение вектора g в системе координат ИНС. Для каждого из 15 положений имеется статическая запись данных ИНС длиной 30 с, записанная с частотой 1 кГц. Для получения значения вектора g в каждом положении вычисляются средние значения показаний акселерометра по каждой оси. Для оси X

1 п

ах = - ^ аХ],

где ах - значение показания акселерометра по оси X для каждого сэмпла; п - количество сэмплов (п = 30 000).

Аналогично вычисляются значения показаний акселерометра по осям У и 2. Для нахождения вектора g в трехмерном пространстве необходимо списать смещение нулей акселерометров и найти сумму векторов по каждой оси:

g = {ах - Ьх )+{ау - ЬТ - Ь2),

где Ьх,Ь,Ь - значения смещения нулей акселерометров.

Определение нормали к горизонтальной плоскости пола в системе координат ЫБЛЯ. Для упрощения обработки данных в рамках анализа сцен можно применить разреживание облака точек. Исходные данные ЫБЛЯ-системы могут содержать множество точек. Для удобства обработки и уменьшения объема данных их следует разреживать, объединяя точки, которые находятся близко друг к другу в пространстве. Для анализа

Рис. 8. Графическое представление эксперимента Fig. 8. Graphical representation of the experiment

Рис. 9. Графическое представление избавления

от плоскости потолка Fig. 9. Graphical representation of getting rid of a ceiling plane

сцен, связанных с наземной частью окружающей среды, важно выделить точки, относящиеся к поверхности пола. Это можно сделать, исключив точки, находящиеся вне радиуса, меньшего, чем радиус сферы, касательной к плоскости пола, что позволит избежать шума и сосредоточиться на анализе области пола. Кроме того, важно удалить точки потолка, так как они обычно не предоставляют полезной информации при анализе наземных сцен. Для этого можно поднять начальную точку (0, 0, 0) координат LiDAR-системы на определенное расстояние (например, 10 м) в направлении вектора гравитации g от точки установки системы и затем исключить все точки, находящиеся в радиусе, например, 11,6 м от новой начальной точки. Важно подбирать все числовые параметры, такие как радиусы и расстояния, с учетом конкретных геометрических характеристик сцены и требований задачи. Эти шаги помогут оптимизировать обработку данных LiDAR-системы и сделать их более подходящими для анализа сцен.

Далее нужно обратиться к алгоритму MSAC (M-estimator Sample and Consensus) для поиска плоскости пола в облаке точек. Алгоритм MSAC [12] может использоваться для поиска плоскости в облаке точек, таких как данные LiDAR-системы, и является надежным способом оценки параметров плоскости с учетом возможных выбросов и шумов в данных. Шаги алгоритма MSAC для поиска плоскости:

Шаг 1. Инициализация. Выбирается случайным образом начальное подмножество точек из облака данных, которые будут использоваться для оценки параметров плоскости. Обычно это требует выбора как минимум трех точек, чтобы определить плоскость.

Шаг 2. Оценка модели. С использованием выбранных точек оцениваются параметры плоскости. Как правило, плоскость задается уравнением Ax + By + Cz + D = 0, где A, B, C, D - параметры модели, которые нужно оценить.

Шаг 3. Оценка согласия. Для каждой точки в облаке данных вычисляется расстояние от этой точки до оцененной плоскости. Точки, расстояния от которых меньше определенного порога, считаются согласными с моделью.

Шаг 4. Выбор наилучшей модели. Выбирается модель, которая имеет наибольшее количество согласных точек. Таким образом, алгоритм стремится к выбору плоскости, которая лучше всего соответствует данным.

Шаг 5. Обновление параметров модели. После выбора наилучшей модели параметры модели переоцениваются с использованием всех согласных точек.

Шаг 6. Проверка условия завершения. Алгоритм проверяет, выполнились ли условия завершения, такие как достижение минимального количества итераций или достижение заданного порога согласия.

Шаг 7. Итерации. Если условие завершения не выполнено, алгоритм повторяет шаги снова, начиная с выбора нового случайного начального подмножества точек.

Шаг 8. Завершение. После завершения итераций алгоритм возвращает наилучшую оценку параметров плоскости, которая имеет наибольшее количество согласных точек. Эта оценка параметров плоскости будет наиболее устойчивой к выбросам в данных.

Далее исходя из полученных параметров плоскости находится нормаль к ней по формуле

Ax + By + Cz + D = 0, г

n( A; B; C).

Нахождение матрицы направляющих косинусов. Выбрав необходимые пары векторов от ИНС и LiDAR-системы, которые соответствуют каждому из положений, нужно найти матрицы направляющих косинусов методом наименьших квадратов, что можно математически описать формулой

mrn|| N — Щ = m* П N ~ Щ ,

i

где N - вектор нормали; R - матрица поворота (матрица направляющих косинусов); A - вектор g.

Оценка полученных результатов. Первое, что нужно оценить, правильно ли были найдены отрезки статики в данных. Для этого строится график данных датчика угловой скорости и выделяются на нем моменты, которые алгоритм посчитал статикой, и визуально проверяется наличие выбросов. Оценка полученных матриц направляющих косинусов происходит путем поиска разницы между довернутым вектором нормали и вектором g ИНС: Err = R^i — A . Исключая из эксперимента отдельные пары векторов (четные или нечетные), можно увидеть изменение в качестве калибровки.

Результат калибровки. На рис. 10 показаны ошибки, полученные для каждого отдельного случая. Видно, что максимальное расхождение векторов в положении 13 примерно 1°, а минимальное - в положении 2 и составляет менее 0,1°. Средняя точность полученной калибровки 0,3°.

Номер положения

Рис. 10. Разница между вектором нормали и вектором g ИНС Fig. 10. Difference between normal vector and inertial navigation system g vector

Таким образом, по формуле (1) определяется теоретическая погрешность координат в облаке точек. Для некалиброванной системы это значение равно 1,76 м, для калиброванной - 0,56 м.

Практическая погрешность координат в облаке точек. Практическая погрешность координат в облаке точек оценивается по разности известных координат и полученных в облаке (рис. 11). В результате практическая погрешность без учета калибровки составила 3 м, с учетом - 1 м. В итоге разница между теоретической и практической погрешностями без учета калибровки составила 1,24 м, а с учетом - 0,44 м.

Рис. 11. Оценка практической погрешности: а - реальные координаты; б - координаты, полученные без учета калибровки; в - координаты, полученные

с учетом калибровки Fig. 11. Estimation of practical error: a - real coordinates; b - coordinates obtained without considering calibration; c - coordinates obtained considering calibration

Анализ составляющих погрешностей показал, что основную ошибку в результат эксперимента вносит погрешность определения координат сканирующей системы, а именно: на шаге построения траектории с сантиметровой точностью выявлена погрешность определения координат до 0,4 м. При вычислении ориентации с помощью фильтра Калмана с коррекцией от этих координат в определение ориентации вносится дополнительная погрешность до 0,35°. Таким образом, теоретическая погрешность некалиброванной системы при учете этих погрешностей может составлять 3,2 м, калиброванной - 1,3 м. В этом случае погрешность эксперимента в обоих случаях (для калиброванной и некалиброванной систем) соответствует теоретическому расчету.

Заключение. Разработанная интегрированная система, состоящая из инерциальных МЭМС-датчиков, ГНСС и LiDAR-системы, позволяет с применением специализированного программного обеспечения построить облако точек. Оценка погрешностей определения координат в облаке точек с калибровкой ИНС и LiDAR-системы и без нее показала превышение практической погрешности над теоретической: без калибровки на 1,24 м, с калибровкой на 0,44 м по причине несоответствия практической погрешности определения координат сканирующей системы теоретической.

Дальнейшее развитие данной темы заключается в разработке автоматического алгоритма минимизации погрешностей путем подбора углов доворота ИНС и LiDAR-системы.

Материалы статьи доложены на Российском форуме «Микроэлектроника 2022» (2-8 октября 2022 г., г. Сочи).

Литература

1. The evolution of LiDAR and its application in high precision measurement / X. Wang, H. Pan, K. Guo et al. // IOP Conf. Ser.: Earth Environ. Sci. 2020. Vol. 502. Art. No. 012008. https://doi.org/10.1088/1755-1315/502/1/012008

2. Wang Z., Menenti M. Challenges and opportunities in lidar remote sensing // Front. Remote Sens. 2021. Vol. 2. Art. ID: 641723. https://doi.org/10.3389/frsen.2021.641723

3. Антонов А. Сканирующие лазерные дальномеры (LIDAR) // Современная электроника. 2016. № 1. С. 10-15.

4. Лидар: Полное руководство по работе, использованию и обработке данных LiDAR // Gistroy [Электронный ресурс]. URL: https://gistroy.ru/article/lidar/ (дата обращения: 04.03.2024).

5. Машинное зрение и 3D-камеры глубины / Vidau Systems // Системы безопасности [Электронный ресурс]. 16.09.2022. URL: https://www.secuteck.ru/articles/mashinnoe-zrenie-i-3d-kamery-glubiny (дата обращения: 04.03.2024).

6. A LiDAR and IMU integrated indoor navigation system for UAVs and its application in real-time pipeline classification / G. A. Kumar, A. K. Patil, R Patil et al. // Sensors. 2017. Vol. 17. Iss. 6. Art. No. 1268. https://doi.org/10.3390/s17061268

7. Михеев А., Родин А. Лаборатория Микроприборов - разработка инерциальной навигации для беспилотников // Беспилот [Электронный ресурс]. 13.01.2021. URL: https://bespilot.com/news/991-mp-lab (дата обращения: 04.03.2024).

8. Инерциальные модули в лидарных системах // ООО Лаборатория Микроприборов [Электронный ресурс]. URL: https://mp-lab.ru/lidar-system/ (дата обращения: 04.03.2024).

9. Руководство по эксплуатации ГКВ-6 // Документация ООО Лаборатория Микроприборов [Электронный ресурс]. 2022. URL: https://mp-lab.ru/docs/ Режим доступа: по запросу (дата обращения: 04.03.2024).

10. ANN-MB series. Multi-band, high precision GNSS antennas: data sheet // U-blox [Электронный ресурс]. URL: https://content.u-blox.com/sites/default/files/documents/ANN-MB_DataSheet_UBX-18049862.pdf (дата обращения: 04.03.2024).

11. Velodyne's Puck lidar sensor (VLP-16) // Velodyne Lidar [Электронный ресурс]. URL: https://velodynelidar.com/products/puck/#downloads (дата обращения: 04.03.2024).

12. EstimateEssentialMatrix description // MathWorks [Электронный ресурс]. 2016. URL: https://www.mathworks.com/help/vision/ref/estimateessentialmatrix.html?s_tid=srchtitle_site_search_1_MSAC (дата обращения: 04.03.2024).

Статья поступила в редакцию 07.03.2023 г.; одобрена после рецензирования 05.02.2024 г.;

принята к публикации 10.04.2024 г.

Информация об авторах

Галкин Александр Александрович - аспирант Института нано- и микросистемной техники Национального исследовательского университета «МИЭТ» (Россия, 124498, г. Москва, г. Зеленоград, пл. Шокина, 1), инженер ООО «Лаборатория Микроприборов» (Россия, 124527, г. Москва, г. Зеленоград, Солнечная аллея, 6), alexgalkin.j r@gmail.com

Еркин Павел Владимирович - магистрант Института нано- и микросистемной техники Национального исследовательского университета «МИЭТ» (Россия, 124498, г. Москва, г. Зеленоград, пл. Шокина, 1), инженер ООО «Лаборатория Микроприборов» (Россия, 124527, г. Москва, г. Зеленоград, Солнечная аллея, 6), pashaerkin@yandex.ru

Захаров Валерий Петрович - студент Национального исследовательского университета «МИЭТ» (Россия, 124498, г. Москва, г. Зеленоград, пл. Шокина, 1), инженер ООО «Лаборатория Микроприборов» (Россия, 124527, г. Москва, г. Зеленоград, Солнечная аллея, 6), valerazaha1@yandex.ru

Соломкина Надежда Алексеевна - аспирант Института нано- и микросистемной техники Национального исследовательского университета «МИЭТ» (Россия, 124498, г. Москва, г. Зеленоград, пл. Шокина, 1), инженер-конструктор ООО «Лаборатория Микроприборов» (Россия, 124527, г. Москва, г. Зеленоград, Солнечная аллея, 6), nadezhda.its@gmail.com

Тимошенков Алексей Сергеевич - доктор технических наук, генеральный директор ООО «Лаборатория Микроприборов» (Россия, 124527, г. Москва, г. Зеленоград, Солнечная аллея, 6), at@mp-lab.ru

Тимошенков Сергей Петрович - доктор технических наук, профессор, директор Института нано- и микросистемной техники Национального исследовательского университета «МИЭТ» (Россия, 124498, г. Москва, г. Зеленоград, пл. Шокина, 1), spt111@mail.ru

References

1. Wang X., Pan H., Guo K., Yang X., Luo Sh. The evolution of LiDAR and its application in high precision measurement. IOP Conf. Ser.: Earth Environ. Sci., 2020, vol. 502, art. no. 012008. https://doi.org/10.1088/ 1755-1315/502/1/012008

2. Wang Z., Menenti M. Challenges and opportunities in lidar remote sensing. Front. Remote Sens., 2021, vol. 2, art. ID: 641723. https://doi.org/10.3389/frsen.2021.641723

3. Antonov A. Light detection and ranging. Sovremennaya elektronika, 2016, no. 1, pp. 10-15. (In Russian).

4. Lidar: Full guideline for LiDAR working, using and data processing. Gistroy. (In Russian). Available at: https://gistroy.ru/article/lidar/_(accessed: 04.03.2024).

5. Machine vision and 3D depth cameras, by Vidau Systems. Sistemy bezopasnosti = Security and Safety. 16.09.2022. (In Russian). Available at: https://www.secuteck.ru/articles/mashinnoe-zrenie-i-3d-kamery-glubiny (accessed: 04.03.2024).

6. Kumar G. A., Patil A. K, Patil R., Park S. S., Chai Y. H. A LiDAR and IMU integrated indoor navigation system for UAVs and its application in real-time pipeline classification. Sensors, 2017, vol. 17, iss. 6, art. no. 1268. https://doi.org/10.3390/s17061268

7. Mikheev A., Rodin A. Laboratoriya Mikropriborov - development of inertial navigation for unmanned aircrafts. Bespilot. 13.01.2021. (In Russian). Available at: https://bespilot.com/news/991-mp-lab (accessed: 04.03.2024).

8. Inertial modules in lidar systems. OOO Laboratoriya Mikropriborov. (In Russian). Available at: https://mp-lab.ru/lidar-system/ (accessed: 04.03.2024).

9. GKV-6 operation manual. Dokumentatsiya OOO Laboratoriya Mikropriborov. 2022. (In Russian). Available at: https://mp-lab.ru/docs/ Access mode: on demand (accessed: 04.03.2024).

10. ANN-MB series. Multi-band, high precision GNSS antennas, data sheet. U-blox. Available at: https://content.u-blox.com/sites/default/files/documents/ANN-MB_DataSheet_UBX-18049862.pdf (accessed: 04.03.2024).

11. Velodyne's Puck lidar sensor (VLP-16). Velodyne Lidar. Available at: https://velodynelidar.com/ products/puck/#downloads (accessed: 04.03.2024).

12. EstimateEssentialMatrix description. MathWorks. 2016. Available at: https://www.mathworks.com/ help/vision/ref/estimateessentialmatrix.html?s_tid=srchtitle_site_search_1_MSAC (accessed: 04.03.2024).

The article was submitted 07.03.2023; approved after reviewing 05.02.2024;

accepted for publication 10.04.2024.

Information about the authors

Alexander A. Galkin - PhD student of the Institute of Nano- and Microsystem Technology, National Research University of Electronic Technology (Russia, 124498, Moscow, Zelenograd, Shokin sq., 1), Engineer, "Laboratory of Microdevices" LLC (Russia, 124527, Moscow, Zelenograd, Solnechnaya alley, 6), alexgalkin.jr@gmail.com

Pavel V. Erkin - Master's degree student of the Institute of Nano- and Microsystem Technology, National Research University of Electronic Technology (Russia, 124498, Moscow, Zelenograd, Shokin sq., 1), Engineer, "Laboratory of Microdevices" LLC (Russia, 124527, Moscow, Zelenograd, Solnechnaya alley, 6), pashaerkin@yandex.ru

Valerii P. Zaharov - Student, National Research University of Electronic Technology (Russia, 124498, Moscow, Zelenograd, Shokin sq., 1), Engineer, "Laboratory of Microdevices" LLC (Russia, 124527, Moscow, Zelenograd, Solnechnaya alley, 6), valerazaha1@yandex.ru

Nadezhda A. Solomkina - PhD student of the Institute of Nano- and Microsystem Technology, National Research University of Electronic Technology (Russia, 124498, Moscow, Zelenograd, Shokin sq., 1), Engineer-Designer, "Laboratory of Microdevices" LLC (Russia, 124527, Moscow, Zelenograd, Solnechnaya alley, 6), nadezhda.its@gmail.com

Alexey S. Timoshenkov - Dr. Sci. (Eng.), General Manager, "Laboratory of Microdevices" LLC (Russia, 124527, Moscow, Zelenograd, Solnechnaya alley), at@mp-lab.ru

Sergey P. Timoshenkov - Dr. Sci. (Eng.), Prof., Director of the Institute of Nano-and Microsystem Technology, National Research University of Electronic Technology (Russia, 124498, Moscow, Zelenograd, Shokin sq., 1), spt111@mail.ru

/-\

Вниманию читателей журнала «Известия высших учебных заведений. Электроника»

Подписку на электронную версию журнала можно оформить на сайтах:

• Научной электронной библиотеки: https://www.elibrary.ru

• ООО «Агентство «Книга-Сервис»: https://www.rucont.ru;

http s ://www. akc.ru; https://www.pressa-rf.ru

• ООО «Урал-Пресс Округ»: https://www.ural-press.ru/catalog

• 000«ИВИС»: https://www.ivis.ru

\___/