ALICE-LRI: Een Algemene Methode voor het Genereren van Verliesvrije Beeldopnamen van Afstandsbereiken voor Roterende LiDAR-sensoren zonder Kalibratiemetadata

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

October 23, 2025

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

cs.AI

Samenvatting

3D LiDAR-sensoren zijn essentieel voor autonome navigatie, milieumonitoring en precisiekartering in remote sensing-toepassingen. Om de enorme puntenwolken die door deze sensoren worden gegenereerd efficiënt te verwerken, wordt LiDAR-data vaak geprojecteerd in 2D-afstandsbeelden die punten ordenen op basis van hun hoekposities en afstanden. Hoewel deze afstandsbeeldrepresentaties efficiënte verwerking mogelijk maken, lijden conventionele projectiemethoden onder fundamentele geometrische inconsistenties die onomkeerbaar informatieverlies veroorzaken, wat ten koste gaat van hoogwaardige toepassingen. Wij presenteren ALICE-LRI (Automatic LiDAR Intrinsic Calibration Estimation for Lossless Range Images), de eerste algemene, sensor-onafhankelijke methode die verliesvrije afstandsbeeldgeneratie uit roterende LiDAR-puntenwolken realiseert zonder fabrikantmetadata of kalibratiebestanden. Ons algoritme reverse-engineert automatisch de intrinsieke geometrie van elke roterende LiDAR-sensor door kritieke parameters af te leiden, waaronder laserstraalconfiguratie, hoekverdelingen en per-straal kalibratiecorrecties, waardoor verliesvrije projectie en complete reconstructie van puntenwolken zonder enig puntenverlies mogelijk wordt. Een uitgebreide evaluatie over de volledige KITTI- en DurLAR-datasets toont aan dat ALICE-LRI perfecte puntenbehoud bereikt, met nul puntenverlies across alle puntenwolken. De geometrische nauwkeurigheid blijft ruim binnen de precisiegrenzen van de sensor, wat geometrische verliesvrijheid met real-time prestaties vaststelt. Wij presenteren ook een compressiecase study die aanzienlijke downstream-voordelen valideert, met aanzienlijke kwaliteitsverbeteringen in praktische toepassingen. Deze paradigmaverschuiving van benaderende naar verliesvrije LiDAR-projecties opent nieuwe mogelijkheden voor hoogprecisie remote sensing-toepassingen die complete geometrische bewaring vereisen.

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.