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。体育赛事上激光雷达追踪运动员，辅助赛事分析评估。广东汽车激光雷达价格
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。江苏国产激光雷达厂商矿山开采中激光雷达监测地形变化，预防潜在地质灾害。
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。
优劣势分析，优势：OPA激光雷达发射机采用纯固态器件，没有任何需要活动的机械结构，因此在耐久度上表现更出众；虽然省去机械扫描结构，但却能做到类似机械式的全景扫描，同时在体积上可以做得更小，量产后的成本有望较大程度上降低。劣势：OPA激光雷达对激光调试、信号处理的运算力要求很大，同时，它还要求阵列单元尺寸必须不大于半个波长，因此每个器件尺寸只500nm左右，对材料和工艺的要求都极为苛刻，由于技术难度高，上游产业链不成熟，导致 OPA 方案短期内难以车规级量产，目前也很少有专注开发OPA激光雷达的Tier1供应商。激光雷达在航空测量中提供了高精度的地理数据。
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。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。上海连续波激光雷达设备
Mid - 360 独特混合固态技术，造就 360° 全向超大视场角优势。广东汽车激光雷达价格
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。广东汽车激光雷达价格
