第三期：点云数据处理需求激增
智能化、算法化的迹象体现在许多激光雷达集成公司，不断地提升系统的自主化、可视化，同时结合多种经验实现的高精度高效率的滤波和匹配算法，使得数据采集更高效、更可控、更精确。例如，越来越多的激光雷达系统，配备了远程操控系统，可实现远程作业监控和调配，还可以实现数据的实时显示预览。数字绿土的LiPod Lite激光雷达系统，便是远程操控和数据实时展示的典型。
「数字绿土LiAir X2 无人机激光雷达扫描系统」
更多智能的LiDAR系统，已经开始内置自主采集功能，可实现自主运行、根据预置规划线路或自动规划线路，实现“无人化”作业，数据处理实现自动化的滤波和匹配，减少了匹配时间，将效率、安全性提升了一大等级。
激光雷达技术已广泛应用于基础测绘、林业调查、数字城市、无人驾驶高精度制图、电力巡线等行业，为国民经济和社会发展提供了极为重要的技术支撑。近年来，激光雷达技术发展迅猛，点云数据获取更加便捷且成本越来越低，但随之带来“爆炸”式增长的海量点云数据对高效处理和定量化应用提出了新挑战。
由于点云具有简单、稀疏、准确的特殊性，因此研究人员需要根据这些特殊性，发展出更好的处理手段。深度学习便是一个利器。近几年深度学习发展迅速，在图片、视频和自然语言处理等领域大放异彩，也在点云处理领域中逐渐发展起来。
点云遇到深度学习之后，主要朝着两个方向发展，其一是解决点云领域的自身需求，如配准、拟合；其二是解决计算机视觉领域的需求，如识别、检测、跟踪。
(2) 基于可靠定位和参考的高精度地图和城市模型的生成和构建。这些应用具有一些类似的任务，可以大致分为三种类型：点云分割，三维目标检测和定位以及三维目标分类和识别。三维目标检测及定位技术的发展同时也引发了自动驾驶领域对3D点云数据自动处理与分析的日益迫切的需求。
激光雷达传感器获取的3D数据可以提供丰富的几何、形状和比例信息；与二维图像相辅相成，三维数据提供了一个以更好地了解机器周围的环境的机会。与传统测量方式相比，三维激光扫描设备具备采集速度快、采样频率高等优势。
三维激光点云数据处理，依据数据类型可分为逐点、基于分割片段及基于对象的处理方式。逐点的数据处理方式不包括分割过程，而基于分段的方法和基于对象的方法需要预处理来分别将点云聚类成分段和对象，基于不同数据对象，诞生出一系列经典的数据处理分析方法，主成分分析、图割法、基于机器学习。
除了非监督的分类方法，点云上的深度学习一直吸引着更多的关注，特别是在过去五年一些公开的数据集，这些数据集进一步推动了深度学习在三维点云上的研究。随着越来越多的方法拟解决与点云处理有关的各种问题，包括3D形状分类、3D物体检测和跟踪、3D点云分割、3D点云对准、6-DOF姿态估计和3D重建，有关于三维数据的深度学习的调查研究也越来越深刻。
目前，激光雷达数据越来越大，超大数据的显示是考验软件的指标之一，LiDAR360软件在数据的读取显示方面，显现出强大的优势，支持TB级点云数据读取；滤波功能是点云数据处理的基础。软件采用了一套全新的滤波算法，可实现更高精度、更稳健的滤波效果；LiDAR360作为林业数据处理出身的一款软件，具有国内领先的林业数据处理算法，能够快速准确的实现单木分割、群体参数、个体参数获取、回归分析及生物量反演。