ALICE-LRI : Une méthode générale pour la génération sans perte d'images de télémétrie pour les capteurs LiDAR rotatifs sans métadonnées d'étalonnage

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

October 23, 2025

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

cs.AI

papers.abstract

Les capteurs LiDAR 3D sont essentiels pour la navigation autonome, la surveillance environnementale et la cartographie de précision dans les applications de télédétection. Pour traiter efficacement les nuages de points massifs générés par ces capteurs, les données LiDAR sont souvent projetées en images de distance 2D qui organisent les points selon leurs positions angulaires et leurs distances. Bien que ces représentations en image de distance permettent un traitement efficace, les méthodes de projection conventionnelles souffrent d'incohérences géométriques fondamentales qui entraînent une perte d'information irréversible, compromettant les applications à haute fidélité. Nous présentons ALICE-LRI (Automatic LiDAR Intrinsic Calibration Estimation for Lossless Range Images), la première méthode générale et agnostique au capteur qui permet une génération d'images de distance sans perte à partir de nuages de points LiDAR rotatifs, sans nécessiter les métadonnées du fabricant ou les fichiers d'étalonnage. Notre algorithme reconstitue automatiquement la géométrie intrinsèque de tout capteur LiDAR rotatif en inférant les paramètres critiques incluant la configuration des faisceaux laser, les distributions angulaires et les corrections d'étalonnage par faisceau, permettant une projection sans perte et une reconstruction complète du nuage de points avec zéro point perdu. L'évaluation exhaustive sur les ensembles de données complets KITTI et DurLAR démontre qu'ALICE-LRI atteint une préservation parfaite des points, avec zéro point perdu sur l'ensemble des nuages de points. La précision géométrique est maintenue bien dans les limites de précision du capteur, établissant une absence de perte géométrique avec des performances en temps réel. Nous présentons également une étude de cas sur la compression qui valide des avantages substantiels en aval, démontrant des améliorations significatives de qualité dans les applications pratiques. Ce changement de paradigme des projections LiDAR approximatives vers des projections sans perte ouvre de nouvelles possibilités pour les applications de télédétection de haute précision nécessitant une préservation géométrique complète.

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.