阿里巴巴达摩院宣布，其自研感知算法实现了对低线束LiDAR（激光雷达）的高线束模拟，间接将LiDAR线束量提升3倍以上，实现低成本普通激光雷达替代高成本雷达，此算法相当于用“低像素相机拍出单反相机效果”，可大幅降低自动驾驶感知部件成本。
在自动驾驶实际落地场景中，往往需要高密度的LiDAR才能满足感知需求，而64线以上LiDAR 成本居高不下，成为自动驾驶大规模商业化瓶颈之一。达摩院自动驾驶实验室环境感知算法能结合摄像头图像，对低线束LiDAR点云进行深度补全及语义识别，实现更稠密的激光雷达点云图3D重建效果，不仅可更精确地读取障碍物距离及形状等信息，也可更精准判断其类别信息。
上图为低线束LiDAR原始点云，下图为经达摩院算法深度补全后的点云，LiDAR线束量提升了3倍以上，且自动驾驶车辆更好辨别出了障碍物。在精度指标上，达摩院采用低线束激光雷达输入，实现了业内采用高线束激光雷达输入的平均水平，50米内障碍物距离信息读取平均误差为25厘米左右，同时，达摩院进行深度补全任务时可达到100fps（每秒传输帧数）的处理能力。
点云配准达摩院这种方法在研究上被称作“点云配准”，就是要把多幅点云合成到一幅点云中。点云配准的本质是坐标变换，将一幅点云配准到另一幅点云中，就是要将这一幅点云的每个点的坐标转换到另一幅点云的坐标系下，这个过程涉及到坐标变换矩阵。点云配准的过程实际上就是求取坐标变换矩阵的过程以及使用变换矩阵计算新的坐标的过程。
常用的点云配准方法有：
1、迭代最近点方法（ICP）从一幅点云中搜索到另外一幅点云中最近点来确定对应点集，容易陷入局部最优解，且要求配准两幅点云初始位置与真实位置相差不大，其实质是基于最小二乘法的最优匹配方法。主要分为点对点，点对投影和点对面的方法。
2、特征点匹配方法通过分析被测物体的局部几何信息来寻找特征点并实现匹配，但算法特征点包含较少几何信息，稳定性有待提高。可以利用多尺空间尺度不变特征变化(SIFT)来寻找特征点，这要求被测物体有纹理信息，基于SIFT算法在空间寻找极值点，并提取其位置、尺度、旋转不变量进行特征点匹配。
3、载体运动参数方法通过激光雷达的载体的运动参数来计算各个点云的变换矩阵，在无人驾驶应用中，激光雷达的载体是无人驾驶车，车的速度、横摆角速度等参数是可以通过传感器精确测量的，通过这些参数可以计算出两个时刻激光雷达的位置及姿态变化，根据这个变化可以得到点云的变换矩阵，从而实现配准。
使用点云配准的优点是可以采用少线束的激光雷达获得多线束的激光雷达的感知效果。但是点云配准的方法也存在一些缺陷，比如：1、点云使用的是历史数据，所以历史点云中的障碍物无法更新，导致障碍物在点云中会一直存在下去；2、运动的物体在配准后的点云中会变成多个物体；3、需要消耗大量的计算资源。
目前，激光雷达的价格一般都比较昂贵，对于无人驾驶应用中，激光雷达是系统成本的重要组成部分。激光雷达的价格随着线数的增加而增加，基本规则就是线数越多，价格越贵，达摩院通过此算法达到多线束激光雷达的目的，未来将进一步压缩自动驾驶的硬件成本。