ALICE-LRI: Универсальный метод генерации без потерь изображений дальности для вращающихся лидарных сенсоров без калибровочных метаданных

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

October 23, 2025

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

cs.AI

Аннотация

3D лидарные сенсоры играют ключевую роль в автономной навигации, мониторинге окружающей среды и прецизионном картографировании в приложениях дистанционного зондирования. Для эффективной обработки массивных облаков точек, генерируемых этими сенсорами, лидарные данные часто проецируются в 2D дальностные изображения, организующие точки по их угловым положениям и расстояниям. Хотя такие представления в виде дальностных изображений обеспечивают эффективную обработку, традиционные методы проецирования страдают от фундаментальных геометрических несоответствий, вызывающих необратимую потерю информации, что ограничивает их применение в задачах, требующих высокой точности. Мы представляем ALICE-LRI (Automatic LiDAR Intrinsic Calibration Estimation for Lossless Range Images) — первый универсальный, сенсорно-независимый метод, обеспечивающий генерацию дальностных изображений без потерь из облаков точек вращающегося лидара без использования метаданных производителя или калибровочных файлов. Наш алгоритм автоматически восстанавливает внутреннюю геометрию любого вращающегося лидарного сенсора, определяя критические параметры, включая конфигурацию лазерных лучей, угловые распределения и калибровочные поправки для каждого луча, что позволяет осуществлять проецирование без потерь и полное восстановление облака точек с нулевой потерей точек. Всесторонняя оценка на полных наборах данных KITTI и DurLAR демонстрирует, что ALICE-LRI обеспечивает идеальное сохранение точек — ни одна точка не теряется во всех облаках точек. Геометрическая точность сохраняется в пределах точностных характеристик сенсора, что подтверждает геометрическую безпотерьность при работе в реальном времени. Мы также представляем исследование по сжатию, которое подтверждает существенные преимущества для последующей обработки, демонстрируя значительное улучшение качества в практических приложениях. Этот парадигмальный сдвиг от приближённых к безпотерьным лидарным проекциям открывает новые возможности для высокоточных приложений дистанционного зондирования, требующих полного сохранения геометрии.

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.