阅读了解到光学雷达（LiDAR）和GPS在无人驾驶技术中的应用。光学雷达是一种光学遥感技术，通过打到目标物体上的激光的接受-反射时间间隔来确定目标物体的实际距离。
利用LiDAR生成的点云可以很大程度上解决上述两个问题，借助LiDAR本身的特性可以对反射障碍物的远近、高低，甚至是表面形状有较准确的估计，从而大大提高障碍物检测的准确度,而且在算法的复杂度上低于基于摄像头的视觉算法，因此更能满足无人车的实时性需求。
LiDAR面临的技术挑战：空气中的悬浮物、计算量大、造假昂贵。
行车定位是无人驾驶最核心的技术之一，GPS是当前行车定位不可或缺的技术，在无人驾驶定位中也担负起相当重要的职责。然而无人车是在复杂的动态环境中行驶,尤其在大城市中，GPS多路径反射的问题会更加明显，这样得到的GPS定位信息很容易就有几米的误差。对于在有限宽度上高速行驶的汽车，这样的误差很有可能导致交通事故。因此,必须借助其他传感器辅助定位，增强定位的精度。另外,由于GPS的更新频率低( 10 Hz ),在车辆快速行驶时很难给出精准的实时定位。惯性传感器( IMU )主要是检测和测量加速度与旋转运动的高频(lkHz)传感器，对惯性传感器数据进行处理后我们可以实时得出车辆的位移与转动信息，但是惯性传感器自身也有偏差与噪声等问题影响结果。通过使用基于卡尔曼滤波的传感器融合技术，我们可以融合GPS与惯性传感器数据，各取所长，以达到较好的定位效果。注意，由于无人驾驶对可靠性和安全性要求非常高，所以基于GPS及惯性传感器的定位并非无人驾驶里唯一的定位方式，还可以使用LiDAR点云与高精地图匹配，以及视觉里程计算法等定位方法，让各种定位法互相纠正以达到更精准的定位。
纵使有多路径等问题，GPS 是个相对精准的定位传感器，但是GPS的更新频率低，并不能满足实时计算的要求。而惯性传感器的定位误差会随着运行时间增长，但是由于惯性传感器是高频传感器，在短时间内可以提供稳定的实时位置更新。所以，只要我们找到一个方法能融合这两种传感器的优点，各取所长,就可以得到比较实时与精准的定位。使用卡尔曼滤波器可以融合这两种传感器数据。