ICP 算法是一種點雲到點雲的3D-3D配准方法。
在SLAM中通過空間點雲的配准（可以通過相機或者3D激光雷達獲取點雲數據），可以估計相機運動（機器人運動，旋轉矩陣R與平移向量t），累積配准，並不斷回環檢測，可以保證機器人定位的精度。
想象三維空間中兩組點雲PL（參考點雲，固定不動） 以及 PR（目標點雲，需要調整）：
1. 3D點匹配：在PL和PR中尋找一一對應的最近匹配點（對於稀疏點雲的微小運動，尋找歐拉空間最近點；對於密集點雲或者較大運動，可能需要尋找描述子之間二進制漢明距離的最近點）注意理解：這里最近點的意思是在各自點雲坐標系中的坐標距離最近，而不是同一個坐標系下的空間距離！這一步，不一定需要配准所有的點；
2. 優化初值：通過初始配准的兩個點集，計算各自點集質心的三維坐標 L0 與 R0, 通過這兩個點的三維運動計算出相機運動初值；
// 或者尋找R，t，使得目標點集和參考點集之間距離的最小二乘（二范數）最小；
3. 迭代優化：由於初值匹配比較粗糙，通過初值變換獲取的 PR‘ 與真實的 PR點集之間存在誤差。迭代的目的就是減小這個最小二乘的誤差，直到小於閾值或者達到一定迭代次數。
其目的是通過測量數據，獲取機器人三維位姿變換的准確值。其中數學核心是奇異值分解，在常見的PCL庫中有實現。並且ICP有不同的具體實現方法，例如利用kd樹實現subset與subset之間的配准，提高效率。