ALICE-LRI: Um Método Geral para Geração de Imagens de Alcance sem Perdas para Sensores LiDAR Giratórios sem Metadados de Calibração

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

Resumo

Os sensores LiDAR 3D são essenciais para navegação autónoma, monitorização ambiental e mapeamento de precisão em aplicações de deteção remota. Para processar eficientemente as nuvens massivas de pontos geradas por estes sensores, os dados LiDAR são frequentemente projetados em imagens de alcance 2D que organizam os pontos pelas suas posições angulares e distâncias. Embora estas representações em imagem de alcance permitam um processamento eficiente, os métodos de projeção convencionais padecem de inconsistências geométricas fundamentais que causam perda irreversível de informação, comprometendo aplicações de alta fidelidade. Apresentamos o ALICE-LRI (Estimativa de Calibração Intrínseca Automática de LiDAR para Imagens de Alcance sem Perdas), o primeiro método geral e independente do sensor que consegue a geração de imagens de alcance sem perdas a partir de nuvens de pontos de LiDAR rotativo, sem necessitar de metadados do fabricante ou ficheiros de calibração. O nosso algoritmo reverte automaticamente a geometria intrínseca de qualquer sensor LiDAR rotativo, inferindo parâmetros críticos, incluindo a configuração do feixe laser, distribuições angulares e correções de calibração por feixe, permitindo uma projeção sem perdas e uma reconstrução completa da nuvem de pontos com perda zero de pontos. A avaliação abrangente nos conjuntos de dados completos KITTI e DurLAR demonstra que o ALICE-LRI alcança uma preservação perfeita de pontos, com zero pontos perdidos em todas as nuvens de pontos. A precisão geométrica é mantida bem dentro dos limites de precisão do sensor, estabelecendo uma ausência de perdas geométricas com desempenho em tempo real. Apresentamos também um estudo de caso de compressão que valida benefícios substanciais a jusante, demonstrando melhorias significativas de qualidade em aplicações práticas. Esta mudança de paradigma de projeções LiDAR aproximadas para sem perdas abre novas possibilidades para aplicações de deteção remota de alta precisão que exigem preservação 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.