シーンフローは、自律走行車が近接した時間ステップで取得した2つのLiDARスキャン間の3次元運動を特徴付けます。既存の手法では、シーンフローを点ごとの制約のないフローベクトルとして扱い、大規模な事前学習または推論時の時間のかかる最適化によって学習することが一般的です。しかし、これらの手法は自律走行における物体がしばしば剛体的に動くという事実を考慮していません。当研究では、この剛体運動の仮定を取り入れ、スキャン間での物体の対応付けを行い、局所的な剛体変換を推定することを目指しています。我々はICP-Flowと呼ばれる学習不要のフローエストィメータを提案します。設計の中心となるのは、従来の反復最接近点（Iterative Closest Point: ICP）アルゴリズムであり、これが時間経過とともに物体を合わせて対応する剛体変換を出力します。重要なのは、ICPを支援するためにヒストグラムベースの初期化手法を提案していることです。この手法により最も可能性が高い平行移動を見つけることができ、ICPにとって良い開始点を提供します。完全なシーンフローはその後、剛体変換から復元されます。Waymoデータセットにおいて我々の手法は最先端の基準モデル（含む教師ありモデル）を超える性能を示し、Argoverse-v2およびnuScenesでも競争力のある結果を得ています。さらに、当研究では自身のモデルから生成された疑似ラベルによって教師ありで訓練されたフィードフォワードニューラルネットワークを使用し、リアルタイム推論可能なすべてのモデルの中で最高性能を達成しました。また、より長い時間間隔（最大0.4秒）でのシーンフロー推定においても他のモデルが有意義な結果を得られない一方で、当モデルの優位性が確認されています。