Повышение пространственного разрешения механических LiDAR-систем с использованием виртуального зеркального канала и автоматической калибровки
https://doi.org/10.15514/ISPRAS-2026-38(3)-38
Аннотация
Работа посвящена разработке новаторского подхода к улучшению плотности и точности облаков точек, формируемых механическими системами LiDAR, посредством внедрения регулируемого пассивного оптического компонента – специального зеркала. Анализируется воздействие положения зеркала на точность и детализацию результатов лазерного сканирования поверхностей объектов. Экспериментально продемонстрировано, что применение зеркального усиления в сочетании с предложенным алгоритмом автоматической калибровки (GPC – Ground Plane Consistency) позволяет существенно увеличить плотность точек и обеспечить высокую геометрическую точность данных. Предложенный метод не требует использования специальных калибровочных паттернов, сохраняя конструктивную простоту сенсора. Представленное практическое исследование и численное моделирование подтверждает высокую эффективность и перспективы предлагаемого решения.
При поддержке: Исследование выполнено при поддержке кафедры инженерной кибернетики НИТУ «МИСИС».
Об авторах
Марк Романович ВИШНЕВСКИЙ
НИТУ МИСИС
Россия
Россия
Аспирант, ассистент кафедры инженерной кибернетики НИТУ МИСИС. Сфера научных интересов: мобильная робототехника, компьютерное зрение, лидарные системы, алгоритмы обработки и фильтрации облаков точек.
Игорь Юрьевич ФЁДОРОВ
НИТУ МИСИС
Россия
Россия
Кандидат физико-математических наук, доцент кафедры инженерной кибернетики НИТУ МИСИС. Сфера научных интересов: многокамерные системы технического зрения, трехмерная реконструкция объектов, алгоритмы обнаружения объектов на базе нейронных сетей, интеграция искусственного интеллекта в робототехнические комплексы.
Список литературы
1. Anand V., Lohani B., Pandey G., Mishra R. Advancing LiDAR intensity simulation through learning with novel physics-based modalities. IEEE Transactions on Intelligent Transportation Systems, 2025. DOI: 10.1109/TITS.2025.3532687.
2. Bharati V. LiDAR+ camera sensor data fusion on mobiles with AI-based virtual sensors to provide situational awareness for the visually impaired. In Proc. of the 2021 IEEE Sensors Applications Symposium (SAS), 2021, pp. 1-6. DOI: 10.1109/SAS51076.2021.9530102.
3. Shomer A., Avidan S. Prior based sampling for adaptive LiDAR. arXiv preprint arXiv:2304.07099, 2023. Available at: https://arxiv.org/abs/2304.07099, accessed 01.02.2026.
4. Zhou Y., Sun P., Zhang Y., Anguelov D., Gao J., Ouyang T., Guo J., Ngiam J., Vasudevan V. End-to-end multi-view fusion for 3D object detection in LiDAR point clouds. In Proc. of the Conference on Robot Learning (CoRL), 2020, vol. 100, pp. 923-932. Available at: https://proceedings.mlr.press/v100/zhou20a.html, accessed 01.02.2026.
5. Schrab K., Hilgerdenaar F., Protzmann R., Radusch I. Improving object detection through multi-perspective LiDAR fusion. In Proc. of the 11th International Conference on Vehicle Technology and Intelligent Transport Systems (VEHITS 2025), 2025, pp. 448-457. DOI: 10.5220/0013283600003941.
6. Kumar U. R., Coudron I., Puttemans S., Vandewalle P. Quality assessment for 3D reconstruction of building interiors. Journal of Imaging Science and Technology, 2018, vol. 62, issue 1, pp. 010402-1–010402-10. DOI: 10.2352/J.ImagingSci.Technol.2018.62.1.010402.
7. Oude Elberink S. J., Vosselman G. Quality analysis on 3D building models reconstructed from airborne laser scanning data. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, vol. 66, pp. 157-165. DOI: 10.1016/j.isprsjprs.2011.10.005.
8. Mitka B., Klapa P., Gawronek P. Laboratory tests of metrological characteristics of a non-repetitive low-cost mobile handheld laser scanner. Sensors, 2024, vol. 24, issue 18, Art. 6010. DOI: 10.3390/s24186010.
9. Ramlal B., Archibald D., Al-Tahir R., Sutherland M., Davis D. Assessment of multi-perspective and multi-sensor data for urban strata mapping. Research Square, 2023. DOI: 10.21203/rs.3.rs-2599958/v1.
10. Wang D., Watkins C., Xie H. MEMS mirrors for LiDAR: a review. Micromachines, 2020, vol. 11, issue 5, Art. 456. DOI: 10.3390/mi11050456.
11. Yang D., Liu Y., Chen Q., Chen M., Zhan S., Cheung N.-K., Chan H.-Y., Wang Z., Li W.J. Development of the high angular resolution 360° LiDAR based on scanning MEMS mirror. Scientific Reports, 2023, vol. 13, Art. 1540. DOI: 10.1038/s41598-022-26394-6.
12. Xu W., Yuan Q., Yang Y., Lu L., Chen J., Zhou L. Progress and prospects for LiDAR-oriented optical phased arrays based on photonic integrated circuits. npj Nanophotonics, 2025, vol. 2, Art. 14. DOI: 10.1038/s44310-025-00059-4.
13. Fu Y., Chen B., Yue W., Tao M., Zhao H., Li Y., Li X., Qu H., Li X., Hu X., Song J. Target-adaptive optical phased array LiDAR. Photonics Research, 2024, vol. 12, issue 5, pp. 904-911. DOI: 10.1364/PRJ.514468.
14. Kasturi A., Milanović V., Lovell D., Hu F., Ho D., Su Y., Ristić Lj. Comparison of MEMS mirror LiDAR architectures. In Proc. of MOEMS and Miniaturized Systems XIX, 2020, vol. 11293, pp. 63-79. DOI: 10.1117/12.2556248.
15. Altuntas C. Review of scanning and pixel array-based lidar point-cloud measurement techniques to capture 3d shape or motion. Applied Sciences, 2023, vol. 13, issue 11, Art. 6488. DOI: 10.3390/app13116488.
16. Hsu C.-P., Li B., Solano-Rivas B., Gohil A. R., Chan P. H., Moore A. D., Donzella V. A review and perspective on optical phased array for automotive lidar. IEEE Journal of Selected Topics in Quantum Electronics, 2021, vol. 27, issue 1, pp. 1-16. DOI: 10.1109/JSTQE.2020.3022948.
17. Fatemi R., Khachaturian A., Hajimiri A. A nonuniform sparse 2-d large-fov optical phased array with a low-power pwm drive. IEEE Journal of Solid-State Circuits, 2019, vol. 54, issue 5, pp. 1200-1215. DOI: 10.1109/JSSC.2019.2896767.
18. Yang D., Li W. J., Chen M., Yu X., Chen Q., Zhang G. Enhancing point cloud density using MEMS mirror-based focusing for LiDAR systems. Research Square, 2024. DOI: 10.21203/rs.3.rs-4652241/v1.
19. Raj T., Hashim F. H., Huddin A. B., Ibrahim M. F., Hussain A. A survey on LiDAR scanning mechanisms. Electronics, 2020, vol. 9, issue 5, Art. 741. DOI: 10.3390/electronics9050741.
20. Zhou J. A review of LiDAR sensor technologies for perception in automated driving. Academic Journal of Science and Technology, 2022, vol. 3, issue 3, pp. 255-261. DOI: 10.54097/ajst.v3i3.2993.
21. Kim T.-H., Park T.-H. Placement optimization of multiple LiDAR sensors for autonomous vehicles. IEEE Transactions on Intelligent Transportation Systems, 2020, vol. 21, issue 5, pp. 2139-2145. DOI: 10.1109/TITS.2019.2915087.
22. Pogačnik M., Munih M. Towards a multi-perspective time of flight laser ranging device based on mirrors and prisms. Applied Sciences, 2022, vol. 12, issue 14, Art. 7121. DOI: 10.3390/app12147121.
23. Kibii J. E., Dreher A., Wormser P. L., Gimpel H. Design and calibration of plane mirror setups for mobile robots with a 2D-Lidar. Sensors, 2022, vol. 22, issue 20, Art. 7830. DOI: 10.3390/s22207830.
24. Matsubara K., Nagatani K., Hirata Y. Improvement in measurement area of 3D LiDAR for a mobile robot using a mirror mounted on a manipulator. In Proc. of the 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2020, pp. 9523-9530. DOI: 10.1109/IROS45743.2020.9340822.
25. Shaker A., Yan W. Y., El-Ashmawy N. The effects of laser reflection angle on radiometric correction of the airborne LiDAR intensity data. In Proc. of ISPRS Archives, 2011, vol. XXXVIII-5/W12, pp. 213-218. DOI: 10.5194/isprsarchives-XXXVIII-5-W12-213-2011.
26. Goettsche J., Alexopoulos S., Dümmler A., Maddineni S. K. Multi-mirror array calculations with optical error. In Proc. of SolarPACES 2020 International Conference, 2020, Paper ID 02005. Available at: https://www.comsol.com/paper/multi-mirror-array-calculations-with-optical-error-95421, accessed 01.02.2026.
27. Fischler M. A., Bolles R. C. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM, 1981, vol. 24, issue 6, pp. 381-395. DOI: 10.1145/358669.358692.
28. Kelly C., Wilkinson B., Abd-Elrahman A., Cordero O., Lassiter H. A. Accuracy assessment of low-cost LiDAR scanners: an analysis of the Velodyne HDL-32E and Livox Mid-40’s temporal stability. Remote Sensing, 2022, vol. 14, issue 17, Art. 4220. DOI: 10.3390/rs14174220.
29. Schulte-Tigges J., Förster M., Nikolovski G., Reke M., Ferrein A., Kaszner D., Matheis D., Walter T. Benchmarking of various LiDAR sensors for use in self-driving vehicles in real-world environments. Sensors, 2022, vol. 22, issue 19, Art. 7146. DOI: 10.3390/s22197146.
30. Pełka M., Będkowski J. Calibration of planar reflectors reshaping LiDAR’s field of view. Sensors, 2021, vol. 21, issue 19, Art. 6501. DOI: 10.3390/s21196501.
31. Będkowski J., Pełka M. Affordable robotic mobile mapping system based on LiDAR with additional rotating planar reflector. Sensors, 2023, vol. 23, issue 3, Art. 1551. DOI: 10.3390/s23031551.
32. Levinson J., Thrun S. Unsupervised calibration for multi-beam lasers. In Proc. of Experimental Robotics. Springer Tracts in Advanced Robotics, 2014, vol. 79, pp. 179-193. DOI: 10.1007/978-3-642-28572-1_13.
Рецензия
Для цитирования:
ВИШНЕВСКИЙ М.Р., ФЁДОРОВ И.Ю. Повышение пространственного разрешения механических LiDAR-систем с использованием виртуального зеркального канала и автоматической калибровки. Труды Института системного программирования РАН. 2026;38(3):101-114. https://doi.org/10.15514/ISPRAS-2026-38(3)-38
For citation:
VISHNEVSKIY M.R., FEDOROV I.Yu. Improving the Spatial Resolution of Mechanical LiDAR Systems Using a Virtual Mirror Channel and Automatic Calibration. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2026;38(3):101-114. (In Russ.) https://doi.org/10.15514/ISPRAS-2026-38(3)-38
Послать статью по эл. почте 