在三维模型重建方面，较初的研究集中于邻接关系和初始姿态均已知时的点云精配准、点云融合以及三维表面重建。在此，邻接关系用以指明哪些点云与给定的某幅点云之间具有一定的重叠区域，该关系通常通过记录每幅点云的扫描顺序得到。而初始姿态则依赖于转台标定、物体表面标记点或者人工选取对应点等方式实现。这类算法需要较多的人工干预，因而自动化程度不高。接着，研究人员转向点云邻接关系已知但初始姿态未知情况下的三维模型重建，常见方法有基于关键点匹配、基于线匹配、以及基于面匹配 等三类算法。激光雷达的实时数据反馈为决策者提供了有力支持。广东物流车激光雷达
泛光面阵式（FLASH），泛光面阵式是目前全固态激光雷达中较主流的技术，其原理也就是快闪，它不像 MEMS 或 OPA 的方案会去进行扫描，而是短时间直接发射出一大片覆盖探测区域的激光，再以高度灵敏的接收器，来完成对环境周围图像的绘制。我们以目前较为成熟的车载 MEMS 式激光雷达为例，讲解其关键的硬件参数。这主要是因为激光发射器和接收器不能做在一起导致的，此方案本身便存在小量的误差。现在很多方案，都是向着共轴努力。激光雷达的测距精度，随着距离的变化而变化。云南Hap激光雷达激光雷达在医疗领域被用于人体三维扫描和诊断。
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。
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。激光雷达的维护简单，降低了使用成本。
激光雷达是自动驾驶领域非常依赖的传感器，越来越多的自动驾驶公司看好激光雷达的应用前景。激光雷达具有较高的分辨率，可以记录周围环境的三维信息，激光雷达是主动发射型设备，对光照的变化不敏感，在有光照变化和夜晚等场景基本不会受到影响。此外激光雷达能够提供水平360度的视野范围，保证整个自动驾驶车基本上没有视野盲区。但是激光雷达惧怕雾霾天气，因为雾霾颗粒的大小非常接近激光的波长，激光照射到雾霾颗粒上会产生干扰，导致效果下降。随着技术的进步，以及成本的下降，激光雷达会普及到更多领域。激光雷达通过多角度扫描，获取目标的完整信息。上海livox激光雷达厂商
从 2D 升至 3D 感知，Mid - 360 提升移动机器人室内感知与运维效率。广东物流车激光雷达
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。广东物流车激光雷达
