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激光雷达的实时数据反馈为决策者提供了有力支持。非重复扫描激光雷达代理商

应用层面，目前暂无车规级量产案例，OPA方案的表示企业为Quanergy。2021年8月，Quanergy对其OPA固达态激光雷达S3系列完成驾驶实测演示。测试结果显示，S3系列固态激光雷达可以提供超过10万小时的平均无故障时间（MTBF），在全光照下实现100米的探测性能，大规模量产后的目标价格为500美元。由于结构简单，Flash闪光激光雷达是目前纯固态激光雷达较主流的技术方案。但是由于短时间内发射大面积的激光，因此在探测精度和探测距离上会受到较大的影响，主要用于较低速的无人驾驶车辆，例如无人外卖车、无人物流车等，对探测距离要求较低的自动驾驶解决方案中。陕西激光雷达供应览沃 Mid - 360 从 2D 到 3D 感知升级，提升移动机器人运维效率。

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。

激光雷达的FOV，FOV指激光雷达能够探测到的视场范围，可以从垂直和水平两个维度以角度来衡量范围大小，下图比较形象的展示了激光雷达FOV范围，之所以要提到FOV是因为后面不同的技术路线基本都是为了能够实现对FOV区域内探测。垂直FOV：常见的车载激光雷达通常在25°，形状呈扇形；水平FOV：常见的机械式激光雷达可以达到360°范围，通常布置于车顶；常见的车载半固态激光雷达通常可以达到120°范围，形状呈扇形，可布置于车身或车顶。Mid - 360 以 360°x59° 超广 FOV，增强移动机器人复杂环境感知力。

LiDAR的结构。激光雷达主要包括激光发射、接收、扫描器、透镜天线和信号处理电路组成。激光发射部分主要有两种，一种是激光二极管，通常有硅和砷化镓两种基底材料，再有一种就是目前非常火热的垂直腔面发射（VCSEL）（比如 iPhone 上的 LiDAR），VCSEL 的优点是价格低廉，体积极小，功耗极低，缺点是有效距离比较短，需要多级放大才能达到车用的有效距离。激光雷达主要应用了激光测距的原理，而如何制造合适的结构使得传感器能向多个方向发射激光束，如何测量激光往返的时间，这便区分出了不同的激光雷达的结构。激光雷达的高精度三维成像为地质勘探提供了有力支持。河南三维激光雷达

激光雷达的抗干扰能力强，保证了数据的准确性。非重复扫描激光雷达代理商

激光雷达的分类，激光雷达行业具有较高的技术水准与技术壁垒，并同时具有技术创新能力强与产品迭代速度快的特征。其技术发展方向与半导体行业契合度高，激光雷达系统中主要的激光器、探测器、控制及处理单元均能从半导体行业的发展中受益，收发单元阵列化以及主要模块芯片化是未来的发展趋势。激光雷达可分成一维（1D）激光雷达、二维（2D）扫描激光雷达和三维（3D）扫描激光雷达。1D激光雷达只能用于线性的测距；2D扫描激光雷达只能在平面上扫描，可用于平面面积与平面形状的测绘，如家庭用的扫地机器人；3D扫描激光雷达可进行3D空间扫描，用于户外建筑测绘，它是驾驶辅助和自助式自动驾驶应用的重要车载传感设备。3D激光雷达可进一步分成3D扇形扫描激光雷达和3D旋转式扫描激光雷达。非重复扫描激光雷达代理商