1 SVD 方法
2 非线性优化方法
于是，在非线性优化中只需不断迭代，我们就能找到极小值。而且，可以证明
[6]
，
ICP 问题存在唯一解或无穷多解的情况。
在唯一解的情况下，只要我们能找到极小值解，那么 这个极小值就是全局最优值——因此不会遇到局部极小而非全局最小的情况。
这也意味着 ICP 求解可以任意选定初始值。这是已经匹配点时求解
ICP
的一大好处。 需要说明的是，我们这里讲的 ICP
，
是指已经由图像特征给定了匹配的情况下，进行 位姿估计的问题。在匹配已知的情况下，这个最小二乘问题实际上具有解析解 [52, 53, 54]
，
所以并没有必要进行迭代优化。
ICP
的研究者们往往更加关心匹配未知的情况。不过，在 RGB-D SLAM 中，由于一个像素的深度数据可能测量不到，
所以我们可以混合着使用
PnP 和 ICP
优化：对于深度已知的特征点，用建模它们的
3D-3D
误差；对于深度未知的特征
点，则建模
3D-2D
的重投影误差。于是，可以将所有的误差放在同一个问题中考虑，使得 求解更加方便。