迭代最近点（Iterative Closet Point，ICP）算法及其变体是两个点集之间刚性配准的基本技术，在机器人技术和三维重建等领域有着广泛的应用。ICP的主要缺点是：收敛速度慢，以及对异常值、缺失数据和部分重叠的敏感性。其他改进算法（例如：稀疏ICP），通过稀疏性优化实现鲁棒性，但代价是计算速度较慢。因此，张举勇等人提出了Fast and Robust ICP方法，该方法的主要思路是通过安德森加速方法（Anderson Acceleration）来加快Majorization-Minimization（MM）算法收敛速度。在此基础上，提出了一种基于Welsch函数的鲁棒误差度量方法，利用安德森加速的MM算法有效地最小化该误差度量。在具有噪声和部分重叠的数据集上，获得了与稀疏ICP相似或更好的精度，处理速度比先前算法快一个数量级。该方法最后将基于Welsch函数的鲁棒误差度量方法扩展到点对平面的ICP，并使用类似的安德森加速MM策略来解决由此产生的问题。Robust ICP提高了基准数据集上的配准精度，同时在计算时间上具有竞争力。
