1、激光类型：根据激光类型的不同，激光雷达可以分为固体激光雷达和半导体激光雷达。固体激光雷达通常使用固体材料作为激光介质，具有高功率、高频率等优点；半导体激光雷达通常使用半导体材料作为激光介质，具有体积小、功耗低等优点。
2、光学相控阵原理类似干涉，通过改变发射阵列中每个单元的相位差，合成特定方向的光束。经过这样的控制，光束便可对不同方向进行扫描。雷达精度可以做到毫米级，且顺应了未来激光雷达固态化、小型化以及低成本化的趋势，但难点在于如何把单位时间内测量的点云数据提高以及投入成本巨大等问题。
3、激光雷达的结构及组成介绍如下：激光雷达由发射系统、接收系统、信息处理三部分组成。激光雷达的工作原理是利用可见和近红外光波（多为950nm波段附近的红外光）发射、反射和接收来探测物体。根据结构，激光雷达分为机械式激光雷达、固态激光雷达和混合固态激光雷达。
点云的特性使得数据处理需要特别关注不变性特征的提取，例如，面对无序且密度不均的特性，PointNet通过升维技术、Max操作和多层感知器（MLP）巧妙地解决这一难题。PointNet在分类任务中，通过整合全局特征并应用softmax函数，而在分割任务中，它巧妙地结合了局部和全局信息，实现了精准的分类与分割。
年，一项名为PointNet的创新深度学习架构在CVPR2017会议上发布，它彻底改变了处理3D分类和分割的方式。PointNet的独特之处在于其直接处理原始无序点云数据，无需依赖体素或二维投影，这使得模型能够保持对输入数据顺序变化的不变性。
实验结果显示，PointNet 在多个任务中展现出了卓越的性能，包括 3D 点云分类、实例部件分割、语义分割等。尽管以原始点云为输入，但在 ModelNet40、ShapeNet 和 Stanford 3D Semantic Parsing 数据集上的分类、分割任务中，PointNet 都能取得与传统方法相当、甚至更为出色的结果。
鹏P5更注重家庭方向，而不是鹏P7的低端版本，鹏P7更注重运动性能，鹏P5更注重科学技术和空间。此次鹏P5最大的亮点之一是将激光雷达配给量产车的唯一车型（ET7或礼物）。虽然只能作为可选品或top型号提供，但搭载LADER的鹏P5可以实现城市道路的NGP功能。
说得通俗一点吧，超声波雷达只是挪车的时候有点用，毫米波雷达能做到最基础的辅助驾驶，超声波雷达让辅助驾驶变成了智能驾驶，这就是三种雷达的区别。
与激光雷达相比，普通雷达存在诸多不足，因雷达是依靠发射和接收无线电波来跟踪的，因此存在一定盲区，发出的信号容易被侦察。且无线电波易受干扰，存在许多无法避免的弱点和不确定性，如将传播的介质转换成其他介质或许可以减少一些不足之处。
特斯拉在生产车型的时候也选择不再使用激光雷达，但是很多国产车企却比较喜欢在汽车上加入这个汽车雷达，之所以会被特斯拉抛弃，也是因为激光雷达的造价比较贵，而且也有着很高的成本，如果继续使用的话，特斯拉的车价定位就会更高一些，会影响到整体的销量。
小鹏汽车在高端车型上面安装了激光雷达，但是因为激光雷达的技术还不够全面，所有这款汽车的激光雷达技术也只是处于初步阶段。激光雷达在自动驾驶上肯定能够起到很大的作用，但是要知道一项技术的研发是需要投入很多人力，物力，以及财力的，所有这项技术想要全面推行，近几年肯定是不可能的事情。
初始点云中的车道线用肉眼难以辨别，需要借助反射率颜色调整才能勉强看清。标注激光雷达点云是困难的，因此数据增强是充分利用宝贵注释数据的重要模块。3D点云标注是一种非常高精度的标注方式，自动驾驶汽车，无人机、农业技术，地图等都使用这项技术。
不好做。传统的二维空间数据是以矢量和影像地图为主的，随着时代的进步和科技的发展，3d云数据包含的内容更丰富。常见的点云标注类型包括单帧物体检测、点云语义分割、连续帧等，对于标注工具的处理能力、标注效率要求均比较高。
d点云数据标注一个月左右能上手。根据查询相关资料信息显示，3d点云数据标注是根据项目要求在电脑上进行数据标注和数据整理，较难，需培训一个月左右。
难。神经网络的3D语义分割很难实现，是由于3D点云所包含的内容信息太少，是很难的。不同于图像分类等任务，语义分割需要像素级别的人工标注，费时费力，无法大规模实施。
标注过程应进行数据质量检查，确保无重复、偏差，并通过可视化和数据分析来优化标注。选择合适的标注工具，如支持多种标注方式的软件，并利用虚拟现实或深度学习辅助，能提高标注效率。总之，3D点云标注需要细致、专业，并不断探索和优化技术，以适应日益多样化的需求。来源：数据标注星球。
D点云图像标注数据是无人驾驶技术的基础训练数据，3D点云图像标注是在激光雷达采集的3D图像中，通过3D框将目标物体标注出来，目标物体包括车辆、行人、广告标志和树木等。3D点云连续帧标注是自动驾驶场景中应用较为广泛的一种数据处理类型，对三维空间感知能力以及多帧协同处理能力要求较高。
1、在精分类后的地面点模型上，分离出等高线关键点，利用软件自动生成等高线，可设置最小面积、光滑以及等高距等参数，将小的自行圈将以去除，生成项目所需比例尺的等高线。将等高线导出后，再将模型关键点导出成 ENZ 格式，利用 CASS软件编辑等高线及高程点，即完成地形图的高程要素采集。
2、第一题 不要被图中的峭壁所迷惑，你可以看到，在图左侧，那条等高线是向右侧凸起的，高速公路穿过那条突起的等高线，这跟河流流向是一个道理。所以可以判断是山谷位置。
3、对应的还有一个dsm，是数字表面模型。dem必须是高程信息，是地表的模拟，dsm可以是地物表面的模拟，包括植被表面、房屋的表面，对dsm进行加工，去掉房屋、植被等信息，可以形成dem。
