ALICE-LRI: 較正メタデータを必要としない回転式LiDARセンサーのための ロスレス範囲画像生成の一般的手法

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

October 23, 2025

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

cs.AI

要旨

3D LiDARセンサーは、リモートセンシング応用における自律航法、環境モニタリング、精密マッピングに不可欠である。これらのセンサーが生成する膨大な点群を効率的に処理するため、LiDARデータは角度位置と距離に基づいて点を整理した2Dレンジ画像へ投影されることが多い。このレンジ画像表現は効率的な処理を可能にする一方、従来の投影法は根本的な幾何学的不整合を抱え、不可逆的な情報損失を引き起こし、高精度応用の信頼性を損なう。本研究ではALICE-LRI（Automatic LiDAR Intrinsic Calibration Estimation for Lossless Range Images）を提案する。これは、メーカー提供のメタデータやキャリブレーションファイルを必要とせず、スピニングLiDAR点群からロスレスなレンジ画像生成を実現する初の汎用的でセンサーに依存しない手法である。本アルゴリズムは、レーザビーム配置、角度分布、ビーム単位のキャリブレーション補正といった重要パラメータを推定することで、あらゆるスピニングLiDARセンサーの内部幾何学を自動的に逆解析し、点損失ゼロでのロスレス投影と完全な点群再構成を可能にする。KITTIおよびDurLARデータセット全体を用いた包括的評価により、ALICE-LRIが全点群で点損失ゼロの完全な点保存を達成することを実証した。幾何学的精度はセンサー精度限界内で十分に維持され、リアルタイム性能を伴う幾何学的ロスレス性を確立する。さらに、圧縮ケーススタディを通じて下流タスクにおける顕著な利点を検証し、実用応用における画質の大幅な改善を示す。近似からロスレスへのLiDAR投影のパラダイムシフトは、完全な幾何学的保存を要する高精度リモートセンシング応用に新たな可能性を開くものである。

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.