早在上个世纪60年代，当人类制造出激光器后，科学家们根据激光的特性，较早提出的应用就是测距。在1967年7月，美国人进行了头一次载人登月飞行，就在月球上安装了一个发射装置用于测算地球和月球的距离。随后，正值冷战时期的人们，将激光应用在了制弹上。飞机发射激光照射目标，同时投掷激光制弹对准目标飞行，用激光随时修正自己的飞行路线，精确度非常高。20世纪70年代末，美国国家航空航天局（NASA）成功研制出一种具有扫描和高速数据记录能力的机载海洋激光雷达。用在大西洋和切萨皮克湾进行了水深的测定，并且绘制出水深小于10m的海底地貌。此后，机载激光雷达系统蕴含的巨大应用潜力开始受到关注，并很快被应用到陆地地形勘测研究当中。激光雷达在无人仓储系统中实现货物的精确定位。广东傲览Avia激光雷达市价
调频连续波FMCW激光雷达，以三角波调频连续波为例来介绍其测距/测速原理。蓝色为发射信号频率，红色为接收信号频率，发射的激光束被反复调制，信号频率不断变化。激光束击中障碍物被反射，反射会影响光的频率，当反射光返回到检测器，与发射时的频率相比，就能测量两种频率之间的差值，与距离成比例，从而计算出物体的位置信息。FMCW的反射光频率会根据前方移动物体的速度而改变，结合多普勒效应，即可计算出目标的速度。优点：每个像素都有多普勒信息，含速度信息；解决Lidar间串扰问题；不受环境光影响，探测灵敏度高；缺点：不能探测切向运动目标。机械式激光雷达厂家供应激光雷达的远程测量能力使其适用于大型工程监测。
相比于半固态式和固态式激光雷达，机械旋转式激光雷达的优势在于可以对周围环境进行360°的水平视场扫描，而半固态式和固态式激光雷达往往较高只能做到120°的水平视场扫描，且在视场范围内测距能力的均匀性差于机械旋转式激光雷达。由于无人驾驶汽车运行环境复杂，需要对周围360°的环境具有同等的感知能力，而机械旋转式激光雷达兼具360°水平视场角和测距能力远的优势，目前主流无人驾驶项目纷纷采用了机械旋转式激光雷达作为主要的感知传感器。
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。环境监测时激光雷达追踪污染物，评估区域环境质量。
给定两个来自不同坐标系的三维数据点集，找到两个点集空间的变换关系，使得两个点集能统一到同一坐标系统中，这个过程便称为配准。配准的目标是在全局坐标框架中找到单独获取的视图的相对位置和方向，使得它们之间的相交区域完全重叠。对于从不同视图（views）获取的每一组点云数据，点云数据很有可能是完全不相同的，需要一个能够将它们对齐在一起的单一点云模型，从而可以应用后续处理步骤，如分割和进行模型重建。目前对配准过程较常见的主要是 ICP 及其变种算法，NDT 算法，和基于特征提取的匹配。具备主动抗串扰能力，Mid - 360 在复杂室内雷达环境互不干扰。重庆激光雷达参考价
激光雷达的轻便设计使其便于携带和操作。广东傲览Avia激光雷达市价
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广东傲览Avia激光雷达市价
