工业自动化与自动驾驶：工业自动化，机器人应用范围包括无人送货小车、自动清扫车辆、园区内的接驳车、港口或矿区的无人作业车、执行监控或巡线任务的无人机等，这些场景的主要特点是路线相对固定、环境相对简单、行驶速度相对较低（通常不超过30km/h）。激光雷达可安装在AGV等小型车辆中，在工厂或仓库中，集成激光雷达可以被用于导航自动化设备，如自动引导车和机器人，并帮助它们避免撞击障碍物，以帮助其在无人环境下自动感知路线从而进行日常作业。激光雷达的扫描模式多样，适应不同场景的需求。Hap激光雷达设备

下游主要客户：车载领域，目前，在智能驾驶市场中，ADAS+ADS双轮驱动，激光雷达作为智能驾驶画龙点睛的产品，不可或缺。在高级辅助驾驶市场，激光雷达的成本不断下降，商业化进程有望提速，全球范围内L3级辅助驾驶量产车项目当前处于快速开发之中。世界各地交通法规的修订为L3级自动驾驶技术商业化落地带来机会。2020年6月通过的《ALKS车道自动保持系统条例》，这是全球范围内头一个针对L3级自动驾驶具有约束力的国际法规。随着激光雷达成本下探至数百美元区间且达到车规级要求，未来越来越多高级辅助驾驶量产项目将实现量产；根据Forst&Sullivan的研究报告，2021-2026E、2026E-2020E全球乘用车新车市场ADAS车辆销售CAGR有望达75.5%、30.5%，其中中国增速较高，分别为92.2%/29.3%。割草机激光雷达行价工业生产里激光雷达检测产品缺陷，高效保证产品质量。

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

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。激光雷达通过发射激光束，精确测量目标距离，是自动驾驶的关键传感器。

优劣势分析：优点：FLASH激光雷达较大的优势在于可以一次性实现全局成像来完成探测，且成像速度快。体积小，易安装，易融入车的整体外观设计。设计简洁，元件极少，成本低。信号处理电路简单，消耗运算资源少，整体成本低。刷新频率可高达3MHz，是传统摄像头的10万倍，实时性好，因此易过车规。缺点：不过FLASH激光单点面积比扫描型激光单点大，因此其功率密度较低，进而影响到探测精度和探测距离（低于50米）。要改善其性能，需要使用功率更大的激光器，或更先进的激光发射阵列，让发光单元按一定模式导通点亮，以取得扫描器的效果。城市规划凭借激光雷达获取空间数据，辅助科学规划。上海览沃激光雷达供应

安防监控运用激光雷达实时监测，及时发现入侵异常情况。Hap激光雷达设备

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。Hap激光雷达设备