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。Mid - 360 独特混合固态技术，造就 360° 全向超大视场角优势。补盲激光雷达制造
激光雷达的应用：1、林业调绘，森林中的树木结构和高度的可视化是LiDAR应用真正成功的领域。但激光雷达真的能“穿透”树木吗？想象一下，你站在森林中间，抬头看。你能看到阳光吗？如果您可以看到光线透过，那么LiDAR也可以。当你知道树的高度和地面的高度时，你就会得到一个真正的垂直剖面，如果你真的想要一个3D植被结构，地面LiDAR也可以生成逼真的3D模型。其实，地球科学激光高度计系统(GLAS)是头一个从太空绘制森林地图的激光测距(LiDAR)仪器。2、确定土地用途，激光雷达分类代码包括地面、植被（低，中，高）、建筑、架空导线、公路、铁路和水等等，每个分类定义都来自反射的激光脉冲。甚至通过多期数据监测可以稳定地了解我们星球的动态变化，包括气候变化。补盲激光雷达制造览沃 Mid - 360 以 360°x59° 超广 FOV，强化移动机器人环境感知敏锐度。
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。
半固态-棱镜式激光雷达，无人机厂商大疆孵化览沃科技（Livox）入局激光雷达，便是采用的棱镜式扫描方案，大疆利用其在无人机领域积累的电机精确调控技术及自动化产线，有信心克服棱镜轴承或衬套寿命的难题，也为其激光雷达技术构筑护城河。工作原理，棱镜式激光雷达也称为双楔形棱镜式激光雷达，内部包括两个楔形棱镜，激光在通过头一个楔形棱镜后发生一次偏转，通过第二个楔形棱镜后再一次发生偏转。控制两面棱镜的相对转速便可以控制激光束的扫描形态。与前面提到的扫描形式不同，棱镜激光雷达累积的扫描图案形状状若菊花，而并非一行一列的点云状态。这样的好处是只要相对速度控制得当，在同一位置长时间扫描几乎可以覆盖整个区域。从 2D 升至 3D 感知，览沃 Mid - 360 提升移动机器人室内建图定位效率。
反射强度，LiDAR 返回的每个数据中，除了根据速度和时间计算出的反射强度其实是指激光点回波功率和发射功率的比值。而激光的反射强度根据现有的光学模型，可以较好的刻画为以下模型。我们可以看到，激光点的反射率和距离的平方成反比，和物体的入射角成反比。入射角是入射光线与物体表面法线的夹角。时间戳和编码信息，LiDAR 通常从硬件层面支持授时，即有硬件 trigger 触发 LiDAR 数据，并支持给这一帧数据打上时间戳。通常会提供支持三种时间同步接口，IEEE 15882008同步，遵循精确时间协议，通过以太网对测量以及系统控制实现精确的时钟同步。凭借主动抗串扰，Mid - 360 在室内多雷达信号中稳定工作。江苏轨旁入侵激光雷达
览沃 Mid - 360 从 2D 到 3D 感知升级，提升移动机器人运维效率。补盲激光雷达制造
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。补盲激光雷达制造
