يصف تدفق المشهد الحركة ثلاثية الأبعاد بين مسحتين ليزرتين تم التقاطهما بواسطة مركبة ذاتية القيادة في أوقات زمنية قريبة. تعتمد الأساليب السائدة على اعتبار تدفق المشهد كمتجهات تدفق غير مقيدة نقطة بنقطة يمكن تعلمها إما من خلال التدريب على نطاق واسع قبل الاستخدام أو من خلال التحسين المستغرق وقتًا طويلاً أثناء الاستدلال. ومع ذلك، فإن هذه الأساليب لا تأخذ بعين الاعتبار أن الأشياء في قيادة السيارات الذاتية غالبًا ما تتحرك بشكل صلب. ندمج هذا الافتراض بالحركة الصلبة في تصميمنا، حيث يكون الهدف هو ربط الأشياء عبر المسحات ثم تقدير التحولات الصلبة المحلية. نقترح ICP-Flow، وهو مقدر للتدفق خالٍ من التعلم. جوهر تصميمنا هو الخوارزمية التقليدية لـIterative Closest Point (ICP)، التي تقوم بمطابقة الأشياء عبر الزمن وإخراج التحولات الصلبة المقابلة. وبشكل حاسم، لمساعدة ICP، نقترح مبادرة قائمة على الجداول التكرارية التي تكتشف الترجمة الأكثر احتمالاً، مما يوفر نقطة بداية جيدة لـICP. يتم بعد ذلك استعادة التدفق الكامل للمشهد من التحولات الصلبة. نتفوق على النماذج الأساسية الأكثر حداثة، بما في ذلك النماذج المشرف عليها، في مجموعة بيانات Waymo ونقوم بأداء تنافسي في Argoverse-v2 وnuScenes. بالإضافة إلى ذلك، نقوم بتدريب شبكة عصبية متقدمة، تحت إشراف العلامات الوهمية من نموذجنا، ونحقق أفضل أداء بين جميع النماذج القادرة على الاستدلال الفوري. نؤكد فائدة نموذجنا في تقدير تدفق المشهد مع فواصل زمنية طويلة، يصل الأمر إلى 0.4 ثانية حيث لا تستطيع النماذج الأخرى تقديم نتائج ذات معنى.