激光雷達的價格一般都比較昂貴，對於無人駕駛應用中，激光雷達是系統成本的重要組成部分。激光雷達的價格隨着線數的增加而增加，基本規則就是線數越多，價格越貴。在產品開發過程中，成本控制是很重要的，一個產品，如果功能沒問題，但是價格昂貴，也不會有好的市場，只有物美價廉的產品纔會受到消費者的青睞。所以壓縮激光雷達的成本在無人駕駛落地過程中就顯得尤爲重要。首先，我們可以選擇線數相對少的激光雷達作爲我們的傳感器，但是線數少意味着感知能力就弱，會存在漏檢測的問題。如下圖所示。
圖中是一個4線激光雷達的探測示意圖，由於線束稀疏，所以，線與線之間的物體可能探測不到。而且所有線覆蓋的區域也有限，存在比較大的盲區。雖然雷達會漏掉物體，但是如果激光雷達安裝在車上，車行駛過程中，總會探測到物體。如下圖所示，同樣的雷達，我們畫出連續6個週期的掃描效果。
由圖中可以看到，6個週期的激光線束彙集在一起，使得線束變的很密集。如果能夠將這幾個週期的點雲用作感知，那麼物體漏檢的概率也會變得很小，或者變爲0。這種將多幅點雲用作感知的方法最重要的操作是點雲配準，就是要把多幅點雲合成到一幅點雲中。
點雲配準的本質是座標變換，將一幅點雲配準到另一幅點雲中，就是要將這一幅點雲的每個點的座標轉換到另一幅點雲的座標系下，這個過程涉及到座標變換矩陣。點雲配準的過程實際上就是求取座標變換矩陣的過程以及使用變換矩陣計算新的座標的過程。常用的點雲配準方法有：
1、迭代最近點方法（ICP）
從一幅點雲中搜索到另外一幅點雲中最近點來確定對應點集，容易陷入局部最優解，且要求配準兩幅點雲初始位置與真實位置相差不大，其實質是基於最小二乘法的最優匹配方法。主要分爲點對點，點對投影和點對面的方法。
2、特徵點匹配方法
通過分析被測物體的局部幾何信息來尋找特徵點並實現匹配，但算法特徵點包含較少幾何信息，穩定性有待提高。可以利用多尺空間尺度不變特徵變化(SIFT)來尋找特徵點，這要求被測物體有紋理信息，基於SIFT算法在空間尋找極值點，並提取其位置、尺度、旋轉不變量進行特徵點匹配。
3、載體運動參數方法
通過激光雷達的載體的運動參數來計算各個點雲的變換矩陣，在無人駕駛應用中，激光雷達的載體是無人駕駛車，車的速度、橫擺角速度等參數是可以通過傳感器精確測量的，通過這些參數可以計算出兩個時刻激光雷達的位置及姿態變化，根據這個變化可以得到點雲的變換矩陣，從而實現配準。
使用點雲配準的優點是可以採用少線束的激光雷達獲得多線束的激光雷達的感知效果。但是點雲配準的方法也存在一些缺陷，比如：1、點雲使用的是歷史數據，所以歷史點雲中的障礙物無法更新，導致障礙物在點雲中會一直存在下去；2、運動的物體在配準後的點雲中會變成多個物體；3、需要消耗大量的計算資源。