应用层面，目前暂无车规级量产案例，OPA方案的表示企业为Quanergy。2021年8月，Quanergy对其OPA固达态激光雷达S3系列完成驾驶实测演示。测试结果显示，S3系列固态激光雷达可以提供超过10万小时的平均无故障时间（MTBF），在全光照下实现100米的探测性能，大规模量产后的目标价格为500美元。由于结构简单，Flash闪光激光雷达是目前纯固态激光雷达较主流的技术方案。但是由于短时间内发射大面积的激光，因此在探测精度和探测距离上会受到较大的影响，主要用于较低速的无人驾驶车辆，例如无人外卖车、无人物流车等，对探测距离要求较低的自动驾驶解决方案中。Mid - 360 升维感知，从 2D 到 3D，助力移动机器人高效建图定位。傲览Avia激光雷达现货直发
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北京站台入侵激光雷达安防监控运用激光雷达实时监测，及时发现入侵异常情况。
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。
目前，由于MEMS上游供应链已经相对成熟，比如Luminar的MEMS半固态激光雷达已将制造成本降低到了500-1000美元，使规模量产成为了可能。国内方面，速腾聚创和广汽埃安、威马、极氪等11家车企建立了合作，同时其产品「RS-LiDAR-M1」已于2020年12月开始批量出货，成为全球头一款批量交付的车规级MEMS激光雷达。海外方面，Luminar在全球范围内已拥有50多位行业合作伙伴，其中包括沃尔沃、上汽飞凡汽车、小马智行等。半固态—转镜式激光雷达，转镜式激光雷达与MEMS激光雷达差异在于，前者的扫描镜是围绕着圆心旋转，后者则是围绕着某条直径上下振动。相比之下，转镜式激光雷达的功耗更低，散热难度更低，因而也更容易拥有比较高的可靠性。览沃 Mid - 360 探测距离 可为10cm，小盲区配合小巧体积，轻松实现无盲区覆盖。
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。激光雷达助无人驾驶感知路况，让出行安全高效。江西mid-40激光雷达
激光雷达的轻便设计使其便于携带和操作。傲览Avia激光雷达现货直发
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。傲览Avia激光雷达现货直发
