ALICE-LRI: Eine allgemeine Methode zur verlustfreien Erzeugung von Range Images für rotierende LiDAR-Sensoren ohne Kalibrierungsmetadaten

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

3D-LiDAR-Sensoren sind unverzichtbar für autonome Navigation, Umweltmonitoring und Präzisionskartierung in Fernerkundungsanwendungen. Um die massiven Punktwolken, die diese Sensoren erzeugen, effizient zu verarbeiten, werden LiDAR-Daten häufig in 2D-Entfernungsbilder projiziert, die Punkte anhand ihrer Winkelpositionen und Entfernungen organisieren. Obwohl diese Entfernungsbilddarstellungen eine effiziente Verarbeitung ermöglichen, leiden konventionelle Projektionsmethoden unter grundlegenden geometrischen Inkonsistenzen, die zu irreversiblem Informationsverlust führen und Hochpräzisionsanwendungen beeinträchtigen. Wir stellen ALICE-LRI (Automatic LiDAR Intrinsic Calibration Estimation for Lossless Range Images) vor, die erste allgemeine, sensorunabhängige Methode, die eine verlustfreie Entfernungsbildgenerierung aus rotierenden LiDAR-Punktwolken ohne Herstellermetadaten oder Kalibrierungsdateien erreicht. Unser Algorithmus rekonstruiert automatisch die intrinsische Geometrie jedes rotierenden LiDAR-Sensors, indem er kritische Parameter ableitet, einschließlich Laserstrahlkonfiguration, Winkelverteilungen und kalibrierungsspezifischer Korrekturen pro Strahl. Dies ermöglicht eine verlustfreie Projektion und vollständige Rekonstruktion der Punktwolke ohne Punktverluste. Eine umfassende Auswertung der vollständigen KITTI- und DurLAR-Datensätze zeigt, dass ALICE-LRI eine perfekte Punkterhaltung erreicht, ohne Punktverluste in allen Punktwolken. Die geometrische Genauigkeit bleibt deutlich innerhalb der Sensorpräzisionsgrenzen, was geometrische Verlustfreiheit bei Echtzeitleistung bestätigt. Wir präsentieren zudem eine Kompressionsfallstudie, die erhebliche Vorteile für nachgelagerte Anwendungen validiert und signifikante Qualitätsverbesserungen in praktischen Anwendungen demonstriert. Dieser Paradigmenwechsel von approximativen zu verlustfreien LiDAR-Projektionen eröffnet neue Möglichkeiten für hochpräzise Fernerkundungsanwendungen, die vollständige geometrische Erhaltung erfordern.

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.