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。全新 Mid - 360，为移动机器人导航避障等带来全新感知方案。北京连续波激光雷达制造
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。上海激光雷达厂家精选港口作业借助激光雷达引导装卸，提升集装箱操作准度。
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。
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。抗室外强光达 70 米 @80% 反射率，览沃 Mid - 360 适应多种光照条件。
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。借 360°x59° 超广 FOV，Mid - 360 力保移动机器人作业现场安全。广东觅道Mid-360激光雷达价位
览沃 Mid - 360 主动抗串扰，在室内多雷达场景中保持稳定探测。北京连续波激光雷达制造
LiDAR还能够用于确定测量目标的速度。这可以通过多普勒方法或快速连续测距来实现。例如，可以使用LiDAR系统测量风速和车速。另外，LiDAR系统能够用于建立动态场景的三维模型，这是自动驾驶中会遇到的情形。这可以通过多种方式来实现，通常使用的是扫描的方式。LiDAR 技术中的挑战，在可实现的LiDAR系统中存在一些众所周知的挑战。这些挑战根据LiDAR系统的类型有所不同。以下是一些示例：隔离和抑制发射光束的信号——探测光束的辐射亮度通常远大于回波光束。必须注意确保探测光束不会被系统自身反射或散射回接收器，否则探测器将会因为饱和而无法探测外部目标。北京连续波激光雷达制造
