La detección de vehículos en áreas de estacionamiento proporciona la utilización espacial y temporal de los espacios de estacionamiento. Las observaciones de estacionamiento suelen realizarse de forma manual, lo que limita la resolución temporal debido al alto costo laboral. Este artículo utiliza datos simulados y aprendizaje por transferencia para construir un modelo robusto del mundo real para la detección y clasificación de vehículos a partir de un LiDAR de haz único de un escenario de estacionamiento en la carretera. El artículo presenta un enfoque de aprendizaje por transferencia aumentado sintéticamente para la detección de vehículos basada en LiDAR y la implementación de datos de LiDAR sintéticos. Se utilizó un método de aprendizaje por transferencia aumentado sintéticamente para complementar el pequeño conjunto de datos del mundo real y permitir el desarrollo de técnicas de manejo de datos. Además, agregar el método de aprendizaje por transferencia aumentado sintéticamente aumenta la robustez y la precisión general del modelo. Los experimentos muestran que el método puede utilizarse para una implementación rápida del modelo para la detección de vehículos utilizando un sensor LIDAR.