1951年，美国物理学家Purcel(珀赛尔)在用微波波谱学的方法制定核磁矩的同时，意外地观察到了50HZ的受激辐射，并把粒子数反转称为“负温1度”状态，这使人们对玻尔兹曼分布有了更全方面也更深刻的认识。同年，美国物理学家(Townes)汤斯提出了受激辐射微波放大的设想。1954年，汤斯和她的两个学生戈登、曹格尔一起研制成功了波长为1.25cm的氨分子振荡器,并把它称为受激辐射微波放大器，按其字母缩写为MASER，简称脉泽。时间来到1958年，汤斯与肖洛联名在《物理评论》上发表了论文《红外与光激射器》，这标志着激光作为一种新事物登上了历史舞台。1960年，梅安研制的红宝石激光器发出了694.3nm红价激光，这是世界上公认的头一台激光器。激光雷达在气象观测中用于监测大气流动和降水情况。江苏轨旁入侵激光雷达
当前所面临的挑战在于如何区分来自周边其他LiDAR设备的信号，而各种信号调制和隔离方法也正在积极研发中。LiDAR系统的成本和维护——这类系统相比一些替代技术所使用的传感器类型更加昂贵，当然持续不断的开发工作也在积极进行，为满足其大规模使用的需要而开发生产成本更低的系统。抑制非目标对象的回波——类似于抑制之前提到的大气虚假信号。但是这也可能会出现在空气质量良好的情况下。应对这一挑战通常涉及在不同的目标距离处，以及在LiDAR接收器的视场范围之内使光束尺寸尽可能更小。泰览Tele-15激光雷达渠道览沃 Mid - 360 以 360°x59° 超广 FOV，强化移动机器人环境感知敏锐度。
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。
激光雷达是自动驾驶领域非常依赖的传感器，越来越多的自动驾驶公司看好激光雷达的应用前景。激光雷达具有较高的分辨率，可以记录周围环境的三维信息，激光雷达是主动发射型设备，对光照的变化不敏感，在有光照变化和夜晚等场景基本不会受到影响。此外激光雷达能够提供水平360度的视野范围，保证整个自动驾驶车基本上没有视野盲区。但是激光雷达惧怕雾霾天气，因为雾霾颗粒的大小非常接近激光的波长，激光照射到雾霾颗粒上会产生干扰，导致效果下降。随着技术的进步，以及成本的下降，激光雷达会普及到更多领域。探测距离 70 米 @80% 反射率，览沃 Mid - 360 抗室外强光性能佳。
有几个原因：我们这里说的激光雷达，是指 TOF 激光雷达，TOF 测距，靠的是 TDC 电路提供计时，用光速乘以单向时间得到距离，但限于成本，TDC 一般由 FPGA 的进位链实现，本质上是对一个低频的晶振信号做差值，实现高频的计数。所以，测距的精度，强烈依赖于这个晶振的精度。而晶振随着时间的推移，存在累计误差；距离越远，接收信号越弱，雷达自身的寻峰算法越难以定位到较佳接收时刻，这也造成了精度的劣化；而由于激光雷达检测障碍物的有效距离和较小垂直分辨率有关系，也就是说角度分辨率越小，则检测的效果越好。如果两个激光光束之间的角度为 0.4°，那么当探测距离为 200m 的时候，两个激光光束之间的距离为200m*tan0.4°≈1.4m。也就是说在 200m 之后，只能检测到高于 1.4m 的障碍物了。如果需要知道障碍物的类型，那么需要采用的点数就需要更多，距离越远，激光雷达采样的点数就越少，可以很直接的知道，距离越远，点数越少，就越难以识别准确的障碍物类型。在航海领域，激光雷达为船舶提供了安全导航保障。四川激光雷达
激光雷达的设计优化提高了其在复杂环境中的可靠性。江苏轨旁入侵激光雷达
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江苏轨旁入侵激光雷达
