点云配准（Point Cloud Registration）是自动驾驶环境感知中的关键技术，指将不同时间或视角采集的离散三维点云数据，通过空间变换对齐到统一坐标系的过程。其核心在于求解两组点云之间的最优刚体变换（旋转矩阵和平移向量），使对应点之间的距离误差最小化。经典算法如ICP（Iterative Closest Point）通过迭代寻找最近邻对应点并优化变换参数，而现代方法则结合特征匹配、深度学习等技术提升在动态环境中的鲁棒性。
在自动驾驶实际应用中，点云配准承担着多传感器数据融合、高精地图定位、动态障碍物跟踪等重要职能。例如，通过将实时激光雷达点云与预先构建的高精地图配准，车辆可实现厘米级定位；连续帧点云的配准则能计算自车运动轨迹并识别周围物体的位移。随着固态激光雷达的普及，基于深度学习的端到端配准方法（如PointNetLK、D3Feat）正逐步解决传统算法对初始位姿敏感、计算量大等工程痛点，为量产方案提供更高效的解决方案。