我们可以根据 LiDAR 能描绘出稀疏的三维世界的特点，而扫描得到的障碍物点云通常又比背景更密集，通过分类聚类的方法可以利用其进行感知障碍物。而随着深度学习带来的检测和分割技术上的突破，LiDAR 已经能做到高效的检测行人和车辆，输出检测框，即 3D bounding box，或者对点云中的每一个点输出 label，更有甚者在尝试使用 LiDAR 检测地面上的车道线。在三维目标识别的对象方面，较初研究主要针对立方体、柱体、锥体以及二次曲面等简单形体构成的三维目标。览沃 Mid - 360 水平 360° 视场角，全角度感知周围环境无遗漏。江西站台入侵激光雷达
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。天津地面激光雷达渠道激光雷达的扫描模式多样，适应不同场景的需求。
激光雷达对策：在实际使用中，对环境中的透明介质，特别是表面接近镜面的透明介质，需要做特殊处理，避免产生不稳定或错误的测量结果。具体的处理方式可以是对介质表面做漫反射半透明处理，降低透明度和反射能力，或者在处理测量数据时对这些位置做屏蔽。当雷达对镜面目标进行测量时，需要注意！！只当目标表面与入射激光垂直时才能有效测量，如果激光入射角不垂直，其漫反射率很低，导致无法有效测量，实际测量到的结果是镜面反射光路上的镜像目标距离，雷达投射在镜面目标产生了全反射，全反射光投射在目标，雷达实际测试出距离是虚线边框目标距离。
脉冲同步（PPS），脉冲同步通过同步信号线实现数据同步。GPS同步（PPS+UTC），通过同步信号线和 UTC 时间（GPS 时间）实现数据同步。然后我们从 LiDAR 硬件得到一串数据包，需要过一次驱动才能将其解析成点云通用的格式，如 ROSMSG 或者 pcl 点云格式，以目前较普遍的旋转式激光雷达的数据为例，其数据为 10hz，即 LiDAR 在 0.1s 时间内转一圈，并将硬件得到的数据按照不同角度切成不同的 packet，以下便是一个 packet 数据包定义示意图。每一个 packet 包含了当前扇区所有点的数据，包含每个点的时间戳，每个点的 xyz 数据，每个点的发射强度，每个点来自的激光发射机的 id 等信息。可达 70 米 @80% 反射率探测，览沃 Mid - 360 室内外感知表现如一。
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。Mid - 360 作为新选择，让移动机器人在更多场景精确感知环境。江西站台入侵激光雷达
抗室外强光达 70 米 @80% 反射率，览沃 Mid - 360 适应多种光照条件。江西站台入侵激光雷达
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。江西站台入侵激光雷达
