Die Entwicklung universeller Darstellungen über verschiedene Anwendungsdomänen hinweg ist ein offenes Forschungsproblem. Tatsächlich stellt auch die Suche nach einer universellen Architektur innerhalb desselben Anwendungsgebietes, jedoch über verschiedene Datensätze hinweg, weiterhin eine ungelöste Herausforderung dar, insbesondere in Anwendungen, die die Verarbeitung von 3D-Punktwolken beinhalten. In dieser Arbeit testen wir mehrere aktuelle, auf Lernverfahren basierende Methoden für die Registrierung von 3D-Punktwolken experimentell gegen eine vorgeschlagene, nicht-lernende Baseline-Methode. Die vorgeschlagene Methode erzielt entweder bessere Ergebnisse oder erreicht vergleichbare Leistungen im Vergleich zu den lernbasierten Ansätzen. Zudem präsentieren wir eine Datensammlung, auf der lernbasierte Methoden große Schwierigkeiten haben, generalisierbar zu sein. Unser vorgeschlagener Ansatz sowie die bereitgestellte Datensammlung können in zukünftigen Forschungsarbeiten zur Untersuchung effektiver Lösungen für universelle Darstellungen genutzt werden. Der Quellcode ist unter github.com/DavidBoja/greedy-grid-search verfügbar.