LiDAR的数据，三维点，对于旋转式激光雷达来说，得到的三维点便是一个很好的极坐标系下的多个点的观测，包含激光发射器的垂直俯仰角，发射器的水平旋转角度，根据激光回波时间计算得到的距离。但 LiDAR 通常会输出笛卡尔坐标系下的观测值，头一是因为 LiDAR 在极坐标系下测量效率高，也只是对于旋转式 LiDAR，目前阵列式 LiDAR 也有很多。第二笛卡尔坐标系更加直观，投影和旋转平移更加简洁，求解法向量，曲率，顶点等特征计算量小，点云的索引及搜索都更加高效。对于 MEMS 式激光雷达，由于一次采样周期为一个偏振镜旋转周期，10hz 下采样周期为 0.1 秒，但由于载体本身在进行高速移动时，我们需要对得到的数据进行消除运动畸变，来补偿采样周期内的运动。在夜间和恶劣天气下，激光雷达能有效提升车辆的感知能力。AMR激光雷达
当我们用当前帧和整个点云地图进行匹配的时候，我们便能得到传感器在整个地图中的位姿，从而实现在地图中的定位。传感器车规化，固态激光雷达取消了机械结构，能够击中目前机械旋转式的成本和可靠性的痛点，是激光雷达的发展方向。除了这两大迫切解决的痛点外，目前量产的激光雷达探测距离不足，只能满足低速场景（如厂区内、校园内等）的应用。日常驾驶、高速驾驶的场景仍在测试过程中。当前机械式激光雷达的价格十分昂贵，Velodyne 在售的 64/32/16 线产品的官方定价分别为 8 万/4 万/8 千美元。一方面，机械式激光雷达由发射光源、转镜、接收器、微控马达等精密零部件构成，制造难度大、物料成本较高；另一方面，激光雷达仍未大规模进入量产车、需求量小，研发费用等固定成本难以摊薄。 量产 100 万台 VLP-32后，那么其售价将会降至 400 美元左右。北京微波激光雷达批发凭借超广 FOV，览沃 Mid - 360 让移动机器人对复杂 3D 环境了如指掌。
激光雷达能够准确输出障碍物的大小和距离，通过算法对点云数据的处理可以输出障碍物的3D框，如：3D行人检测、3D车辆检测等；亦可进行车道线检测、场景分割等任务。除了障碍物感知，激光雷达还可以用来制作高精度地图。地图采集过程中，激光雷达每隔一小段时间输出一帧点云数据，这些点云数据包含环境的准确三维信息，通过把这些点云数据做拼接，就可以得到该区域的高精度地图。在定位方面，智能车在行驶过程中利用当前激光雷达采集的点云数据帧和高精度地图做匹配，可以获取智能车的位置。
MEMS阵镜激光雷达优点：MEMS微振镜摆脱了笨重的马达、多发射/接收模组等机械运动装置，毫米级尺寸的微振镜较大程度上减少了激光雷达的尺寸，提高了稳定性；MEMS微振镜可减少激光发射器和探测器数量，极大地降低成本。缺点：有限的光学口径和扫描角度限制了Lidar的测距能力和FOV，大视场角需要多子视场拼接，这对点云拼接算法和点云稳定度要求都较高；抗冲击可靠性存疑；振镜尺寸问题：远距离探测需要较大的振镜，不但价格贵，对快轴/慢轴负担大，材质的耐久疲劳度存在风险，难以满足车规的DV、PV的可靠性、稳定性、冲击、跌落测试要求；悬臂梁：硅基MEMS的悬臂梁结构实际非常脆弱，快慢轴同时对微振镜进行反向扭动，外界的振动或冲击极易直接致其断裂。激光雷达以其高分辨率成像能力，在无人机地形测绘中发挥着重要作用。
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。览沃 Mid - 360 水平 360° 视场角，全角度感知周围环境无遗漏。海南无人驾驶激光雷达
激光雷达在灾害救援中提供了准确的现场信息支持。AMR激光雷达
测距准度：激光雷达探测得到距离数据与真值之间的差距,准度越高表示测量结果与真实数据符合程度越高。点频：激光雷达每秒完成探测并获取的探测点的数目。抗干扰：激光雷达对工作同一环境下、采用相同激光波段的其他激光雷达的干扰信号的抵抗能力,抗干扰能力越强说明在多台激光雷达共同工作的条件下产生的噪点率越低功耗：激光雷达系统工作状态下所消耗的电功率。激光雷达线数：一般指激光雷达垂直方向上的测量线的数量,对于一定的角度范围,线数越多表示角度分辨率越高,对目标物的细节分辨能力越强。AMR激光雷达
