有几个原因：我们这里说的激光雷达，是指 TOF 激光雷达，TOF 测距，靠的是 TDC 电路提供计时，用光速乘以单向时间得到距离，但限于成本，TDC 一般由 FPGA 的进位链实现，本质上是对一个低频的晶振信号做差值，实现高频的计数。所以，测距的精度，强烈依赖于这个晶振的精度。而晶振随着时间的推移，存在累计误差；距离越远，接收信号越弱，雷达自身的寻峰算法越难以定位到较佳接收时刻，这也造成了精度的劣化；而由于激光雷达检测障碍物的有效距离和较小垂直分辨率有关系，也就是说角度分辨率越小，则检测的效果越好。如果两个激光光束之间的角度为 0.4°，那么当探测距离为 200m 的时候，两个激光光束之间的距离为200m*tan0.4°≈1.4m。也就是说在 200m 之后，只能检测到高于 1.4m 的障碍物了。如果需要知道障碍物的类型，那么需要采用的点数就需要更多，距离越远，激光雷达采样的点数就越少，可以很直接的知道，距离越远，点数越少，就越难以识别准确的障碍物类型。激光雷达的抗干扰能力强，保证了数据的准确性。上海连续波激光雷达价位
MEMS：MEMS激光雷达通过“振动”调整激光反射角度，实现扫描，激光发射器固定不动，但很考验接收器的能力，而且寿命同样是行业内的重大挑战。支撑振镜的悬臂梁角度有限，覆盖面很小，所以需要多个雷达进行共同拼接才能实现大视角覆盖，这就会在每个激光雷达扫描的边缘出现不均匀的畸变与重叠，不利于算法处理。另外，悬臂梁很细，机械寿命也有待进一步提升。振镜+转镜：在转镜的基础上加入振镜，转镜负责横向，振镜负责纵向，满足更宽泛的扫射角度，频率更高价格相比前两者更贵，但同样面临寿命问题。浙江国产激光雷达批发海洋探测中激光雷达测量海底地貌，支持海洋资源开发。
参数指标：（一）视场角，视场角决定了激光雷达能够看到的视野范围，分为水平视场角和垂直视场角，视场角越大，表示视野范围越大，反之则表示视野范围越小。以图3中的激光雷达为例，旋转式激光雷达的水平视场角为360°，垂直视场角为26.9°，固态激光雷达的水平视场角为60°，垂直视场角为20°。（二）线数，线数越高，表示单位时间内采样的点就越多，分辨率也就越高，目前无人驾驶车一般采用32线或64线的激光雷达。（三）分辨率，分辨率和激光光束之间的夹角有关，夹角越小，分辨率越高。固态激光雷达的垂直分辨率和水平分辨率大概相当，约为0.1°，旋转式激光雷达的水平角分辨率为0.08°，垂直角分辨率约为0.4°。
激光雷达在ADAS应用：海内外持续发展，2025年全球市场规模有望达6.2亿美元。2020年10月，百度在北京全方面开放无人驾驶出租车服务，在13个城市部署总数测试车辆，并且与一汽红旗合作实现了中国首条L4级自动驾驶乘用车生产线建设，具备批量生产能力。根据Forst&Sullivan研究估计，2026年ADAS领域使用激光雷达产业规模有望达12.9亿美元。其中，中国、美国、其他地区分别为6.7/3.5/2.7亿美元。2030年ADAS领域使用激光雷达产业规模有望达64.9亿美元，其中中国、美国、其他地区分别为32.5/13.0/19.5亿美元。可达 70 米 @80% 反射率探测，览沃 Mid - 360 室内外感知表现如一。
NDT 算法的基本思想是先根据参考数据（reference scan）来构建多维变量的正态分布，如果变换参数能使得两幅激光数据匹配的很好，那么变换点在参考系中的概率密度将会很大。然后利用优化的方法求出使得概率密度之和较大的变换参数，此时两幅激光点云数据将匹配的较好。由此得到位资变换关系。局部特征提取通常包括关键点检测和局部特征描述两个步骤，其构成了三维模型重建与目标识别的基础和关键。在二维图像领域，基于局部特征的算法已在过去十多年间取得了大量成果并在图像检索、目标识别、全景拼接、无人系统导航、图像数据挖掘等领域得到了成功应用。类似的，点云局部特征提取在近年来亦取得了部分进展览沃 Mid - 360 从 2D 到 3D 感知升级，提升移动机器人运维效率。辽宁毫米波激光雷达
Mid - 360 升维感知，从 2D 到 3D，助力移动机器人高效建图定位。上海连续波激光雷达价位
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。上海连续波激光雷达价位
