激光雷达点云的感知任务与图像类似主要包括目标检测、语义分割等解决方案大多基于深度学习神经网络。

在目标检测方面，常用的算法有基于二维物体检测算法如Faster R-CNN、SSD等的改进算法，如PV-RCNN、PointRCNN等。这些算法主要基于点云的三维坐标信息和强度信息进行检测，可以检测出点云中的物体，并给出物体的位置、边界框、类别等信息。

在语义分割方面，常用的算法有PointNet、PointNet++、PointSIFT等，这些算法将点云数据转换为特征向量，然后通过卷积神经网络对特征向量进行处理，得到每个点的类别信息，从而实现了点云的语义分割。

除此之外，还有基于深度学习的点云重建、点云分类等任务，这些任务都是通过将点云数据转换为特征向量，然后通过神经网络对特征向量进行处理，得到对应的结果。

总之，深度学习在激光雷达点云的感知任务中已经得到了广泛应用，并且在不断地发展和改进，未来会有更多的深度学习算法用于解决激光雷达点云的感知问题。