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。激光雷达助无人驾驶感知路况，让出行安全高效。广东觅道Mid-360激光雷达供应
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°。浙江二维激光雷达行价港口作业借助激光雷达引导装卸，提升集装箱操作准度。
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。
车联网+机器人，智慧城市、车联网等场景有助于催生路侧激光雷达市场成长。世界范围来看，中国车联网发展速度较快，战略化程度较高。2020 年 2 月，国家发展革新委、工信部、科技部等 11 个部委联合印发《智能汽车创新发展战略》，提出到 2025 年，车用无线通信网络（LTE-V2X 等）实现区域覆盖，新一代车用无线通信网络（5G-V2X）逐步开展应用，高精度时空基准服务网络实现全覆盖。激光雷达结合智能算法，能够提供高精度的位置、形状、姿态等信息，实现对交通状况进行全局性的精确把控，对车路协同功能的实现至关重要。随着智能城市、智能交通项目的落地，未来该市场对激光雷达的需求将呈现稳定增长态势。桥梁检测使用激光雷达识别病害，保障桥梁安全通行。
RSoft 工具，能够支持对片上LiDAR器件进行复杂的布局设计。任何单一仿真工具都无法胜任如此复杂性质的设计问题。组合使用RSoft工具，如FullWAVE FDTD用于发射器，Multiphysics Utility用于T-O Phaser，BeamPROP BPM用于分束器，将会达成较佳布局设计。OptSim，用于设计和模拟光通信系统。光学相干断层扫描（OCT）和光探测和测距（LiDAR）应用中接收到的射频频谱，得到飞行时间（ToF）的分辨率及测量结果。OptoCompiler，用于光子集成电路。光子集成电路的应用领域也在持续扩展，从数据中心中的收发器和开关到更多样化的汽车，生物医学和传感器市场，如（固态）LiDAR，层析成像和自由空间传感器。总之，随着科技不断进步与发展，LiDAR已经成为多个领域不可或缺且无法替代的关键工具之一。其普遍应用将进一步推动各行各业向着更加智能化、高效率和精确度发展，并为人类社会带来更多福祉与便利。10cm 小盲区，Mid - 360 配合小巧体积，实现移动机器人无死角感知。广东车载激光雷达价位
激光雷达的扫描模式多样，适应不同场景的需求。广东觅道Mid-360激光雷达供应
激光雷达难点：当周边环境中存在透明介质 (如洁净水体) 时，位于透明介质内部或后方的目标能够被测到。由于光线在透明介质中会发生折射，被测目标实际上位于折射光路上，而测量结果则位于直线光路上，测量出的目标位置会发生偏差，此外，雷达也可能会收到两个反射回波，一个来自于透明介质内部或后方的实际目标表面的反射，另一个来自于不完全洁净的透明介质表面的漫反射，此时的测量结果不确定，有可能是介质表面，也可能是实际目标。广东觅道Mid-360激光雷达供应
