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。港口作业借助激光雷达引导装卸，提升集装箱操作准度。四川无人叉车激光雷达
反射率，反射率是指物体反射的辐射能量占总辐射能量的百分比，比如说某物体的反射率是20%，表示物体接收的激光辐射中有20%被反射出去了。不同物体的反射率不同，这主要取决于物体本身的性质（表面状况），如果反射率太低，那么激光雷达收不到反射回来的激光，导致检测不到障碍物。激光雷达一般要求物体表面的反射率在10%以上，用激光雷达采集高精度地图的时候，如果车道线的反射率太低，生成的高精度地图的车道线会不太清晰。扫描帧频，激光雷达点云数据更新的频率。对于混合固态激光雷达来说，也就是旋转镜每秒钟旋转的圈数，单位Hz。例如，10Hz即旋转镜每秒转10圈，同一方位的数据点更新10次。北京国产激光雷达批发从 2D 升至 3D 感知，Mid - 360 提升移动机器人室内感知与运维效率。
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。
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。激光雷达助无人驾驶感知路况，让出行安全高效。
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。航空测绘依靠激光雷达获取数据，服务城市规划建设。天津三维激光雷达渠道
仓储管理运用激光雷达清点库存，提高货物盘点效率。四川无人叉车激光雷达
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。四川无人叉车激光雷达
