ALICE-LRI: Un método general para la generación de imágenes de rango sin pérdidas para sensores LiDAR giratorios sin metadatos de calibración

ALICE-LRI: A General Method for Lossless Range Image Generation for Spinning LiDAR Sensors without Calibration Metadata

October 23, 2025

Autores: Samuel Soutullo, Miguel Yermo, David L. Vilariño, Óscar G. Lorenzo, José C. Cabaleiro, Francisco F. Rivera

cs.AI

Resumen

Los sensores LiDAR 3D son esenciales para la navegación autónoma, el monitoreo ambiental y la cartografía de precisión en aplicaciones de teledetección. Para procesar eficientemente las nubes de puntos masivas generadas por estos sensores, los datos LiDAR a menudo se proyectan en imágenes de rango 2D que organizan los puntos según sus posiciones angulares y distancias. Si bien estas representaciones de imágenes de rango permiten un procesamiento eficiente, los métodos de proyección convencionales adolecen de inconsistencias geométricas fundamentales que causan una pérdida irreversible de información, comprometiendo las aplicaciones de alta fidelidad. Presentamos ALICE-LRI (Estimación de Calibración Intrínseca LiDAR Automática para Imágenes de Rango sin Pérdidas), el primer método general e independiente del sensor que logra una generación de imágenes de rango sin pérdidas a partir de nubes de puntos LiDAR rotativos, sin requerir metadatos del fabricante ni archivos de calibración. Nuestro algoritmo reconstruye automáticamente la geometría intrínseca de cualquier sensor LiDAR rotativo mediante la inferencia de parámetros críticos, incluyendo la configuración del haz láser, las distribuciones angulares y las correcciones de calibración por haz, permitiendo una proyección sin pérdidas y una reconstrucción completa de la nube de puntos con pérdida cero de puntos. La evaluación exhaustiva en los conjuntos de datos completos de KITTI y DurLAR demuestra que ALICE-LRI logra una preservación perfecta de puntos, con cero puntos perdidos en todas las nubes de puntos. La precisión geométrica se mantiene dentro de los límites de precisión del sensor, estableciendo una pérdida geométrica nula con rendimiento en tiempo real. También presentamos un estudio de caso de compresión que valida beneficios sustanciales posteriores, demostrando mejoras significativas de calidad en aplicaciones prácticas. Este cambio de paradigma, de proyecciones LiDAR aproximadas a sin pérdidas, abre nuevas posibilidades para aplicaciones de teledetección de alta precisión que requieren una preservación geométrica completa.

English

3D LiDAR sensors are essential for autonomous navigation, environmental monitoring, and precision mapping in remote sensing applications. To efficiently process the massive point clouds generated by these sensors, LiDAR data is often projected into 2D range images that organize points by their angular positions and distances. While these range image representations enable efficient processing, conventional projection methods suffer from fundamental geometric inconsistencies that cause irreversible information loss, compromising high-fidelity applications. We present ALICE-LRI (Automatic LiDAR Intrinsic Calibration Estimation for Lossless Range Images), the first general, sensor-agnostic method that achieves lossless range image generation from spinning LiDAR point clouds without requiring manufacturer metadata or calibration files. Our algorithm automatically reverse-engineers the intrinsic geometry of any spinning LiDAR sensor by inferring critical parameters including laser beam configuration, angular distributions, and per-beam calibration corrections, enabling lossless projection and complete point cloud reconstruction with zero point loss. Comprehensive evaluation across the complete KITTI and DurLAR datasets demonstrates that ALICE-LRI achieves perfect point preservation, with zero points lost across all point clouds. Geometric accuracy is maintained well within sensor precision limits, establishing geometric losslessness with real-time performance. We also present a compression case study that validates substantial downstream benefits, demonstrating significant quality improvements in practical applications. This paradigm shift from approximate to lossless LiDAR projections opens new possibilities for high-precision remote sensing applications requiring complete geometric preservation.