辅助驾驶，在目前的L2/L3级高级辅助驾驶中，激光雷达可覆盖前向视场（水平视场角覆盖60°到120°）以实现自动跟车或者高速自适应巡航等功能。通过发射信号和反射信号的对比，构建出点云图，从而实现诸如目标距离、方位、速度、姿态、形状等信息的探测和识别。除了传统的障碍物检测以外，激光雷达还可以应用于车道线检测。优点在于测距远、精度高，获取信息丰富，抗源干扰能力强。自动驾驶，未来，L4/L5级无人驾驶应用的实现，有赖于激光雷达提供的感知信息。激光雷达是一种可以扫描周围环境并生成三维图像的传感器。它可以被用于识别障碍物、构建地图和定位车辆等应用场景。该级别应用需要面对复杂多变的行驶环境，对激光雷达性能水平要求较高，在要求360°水平扫描范围的同时，对于低反射率物体的较远测距能力需要达到200m，且需要更高的线数以及更密的点云分辨率；同时为了减少噪点还需要激光雷达具有抵抗同环境中其他激光雷达干扰的能力。Mid - 360 距离探测可为 10cm，小盲区助力嵌入式无盲区安装。吉林测距激光雷达
配准 registration，ICP 算法较早由 Chen and Medioni，and Besl and McKay 提出。其算法本质上是基于较小二乘法的较优配准方法。该算法重复进行选择对应关系点对，计算较优刚体变换这一过程，直到根据点对的欧氏距离定义的损失函数满足正确配准的收敛精度要求。ICP 是一个普遍使用的配准算法，主要目的就是找到旋转和平移参数，将两个不同坐标系下的点云，以其中一个点云坐标系为全局坐标系，另一个点云经过旋转和平移后两组点云重合部分完全重叠。北京二维激光雷达设备激光雷达的抗干扰能力强，保证了数据的准确性。
在实际应用中，很多时候并不知道点云之间的邻接关系。针对此，研究人员开发了较小张树算法和连接图算法以实现邻接关系的计算。总体而言，三维模型重建算法的发展趋势是自动化程度越来越高，所需人工干预越来越少，且应用面越来越广。然而，现有算法依然存在运算复杂度较高、只能针对单个物体、且对背景干扰敏感等问题。研究具有较低运算复杂度且不依赖于先验知识的全自动三维模型重建算法，是目前的主要难点。然而，如何在包含遮挡、背景干扰、噪声、逸出点以及数据分辨率变化等的复杂场景中实现对感兴趣目标的检测识别与分割，仍然是一个富有挑战性的问题。
激光雷达能够准确输出障碍物的大小和距离，通过算法对点云数据的处理可以输出障碍物的3D框，如：3D行人检测、3D车辆检测等；亦可进行车道线检测、场景分割等任务。除了障碍物感知，激光雷达还可以用来制作高精度地图。地图采集过程中，激光雷达每隔一小段时间输出一帧点云数据，这些点云数据包含环境的准确三维信息，通过把这些点云数据做拼接，就可以得到该区域的高精度地图。在定位方面，智能车在行驶过程中利用当前激光雷达采集的点云数据帧和高精度地图做匹配，可以获取智能车的位置。Mid - 360 作为新选择，让移动机器人在更多场景精确感知环境。
激光雷达的FOV，FOV指激光雷达能够探测到的视场范围，可以从垂直和水平两个维度以角度来衡量范围大小，下图比较形象的展示了激光雷达FOV范围，之所以要提到FOV是因为后面不同的技术路线基本都是为了能够实现对FOV区域内探测。垂直FOV：常见的车载激光雷达通常在25°，形状呈扇形；水平FOV：常见的机械式激光雷达可以达到360°范围，通常布置于车顶；常见的车载半固态激光雷达通常可以达到120°范围，形状呈扇形，可布置于车身或车顶。主动抗串扰设计，使 Mid - 360 在多雷达环境中稳定运行不干扰。浙江汽车激光雷达市价
在航海领域，激光雷达为船舶提供了安全导航保障。吉林测距激光雷达
当我们用当前帧和整个点云地图进行匹配的时候，我们便能得到传感器在整个地图中的位姿，从而实现在地图中的定位。传感器车规化，固态激光雷达取消了机械结构，能够击中目前机械旋转式的成本和可靠性的痛点，是激光雷达的发展方向。除了这两大迫切解决的痛点外，目前量产的激光雷达探测距离不足，只能满足低速场景（如厂区内、校园内等）的应用。日常驾驶、高速驾驶的场景仍在测试过程中。当前机械式激光雷达的价格十分昂贵，Velodyne 在售的 64/32/16 线产品的官方定价分别为 8 万/4 万/8 千美元。一方面，机械式激光雷达由发射光源、转镜、接收器、微控马达等精密零部件构成，制造难度大、物料成本较高；另一方面，激光雷达仍未大规模进入量产车、需求量小，研发费用等固定成本难以摊薄。 量产 100 万台 VLP-32后，那么其售价将会降至 400 美元左右。吉林测距激光雷达
