ALICE-LRI: Un Metodo Generale per la Generazione di Immagini di Profondità senza Perdita per Sensori LiDAR Rotanti senza Metadati di Calibrazione

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

October 23, 2025

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

cs.AI

Abstract

I sensori LiDAR 3D sono essenziali per la navigazione autonoma, il monitoraggio ambientale e la mappatura di precisione nelle applicazioni di telerilevamento. Per elaborare efficientemente le enormi nuvole di punti generate da questi sensori, i dati LiDAR vengono spesso proiettati in immagini di distanza 2D che organizzano i punti in base alla loro posizione angolare e distanza. Sebbene queste rappresentazioni a immagine di distanza consentano un'elaborazione efficiente, i metodi di proiezione convenzionali soffrono di incoerenze geometriche fondamentali che causano una perdita irreversibile di informazioni, compromettendo le applicazioni ad alta fedeltà. Presentiamo ALICE-LRI (Automatic LiDAR Intrinsic Calibration Estimation for Lossless Range Images), il primo metodo generale, indipendente dal sensore, che ottiene una generazione di immagini di distanza senza perdita di dati da nuvole di punti LiDAR a rotazione, senza richiedere metadati del produttore o file di calibrazione. Il nostro algoritmo ricostruisce automaticamente la geometria intrinseca di qualsiasi sensore LiDAR a rotazione inferendo parametri critici tra cui la configurazione del fascio laser, le distribuzioni angolari e le correzioni di calibrazione per fascio, consentendo una proiezione senza perdite e una ricostruzione completa della nuvola di punti con zero punti persi. Una valutazione completa sui dataset KITTI e DurLAR dimostra che ALICE-LRI raggiunge una conservazione perfetta dei punti, con zero punti persi in tutte le nuvole di punti. L'accuratezza geometrica viene mantenuta ben entro i limiti di precisione del sensore, stabilendo l'assenza di perdite geometriche con prestazioni in tempo reale. Presentiamo anche uno studio di compressione che convalida sostanziali vantaggi a valle, dimostrando significativi miglioramenti della qualità nelle applicazioni pratiche. Questo cambio di paradigma da proiezioni LiDAR approssimate a senza perdite apre nuove possibilità per applicazioni di telerilevamento ad alta precisione che richiedono una preservazione geometrica 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.