Point cloud registration is a technique to align two sets of points with manifold applications across a range of industries. However, due to a lack of adequate sensing technology, this technique has seldom found applications in the automotive sector up to now. With the advent of solid-state Light Detection and Ranging (LiDAR) sensors that are easily integrable in series production vehicles as means to sense the surrounding environment, this technique can be functional to automate their operations. Maneuvering a vehicle in the proximity of a reference object is one such operation, which can only be performed by accurately estimating its position and orientation relative to the vehicle itself. This project deals with the design and the implementation of an algorithm to accurately locate an aircraft parked on an airfield apron in real time. This is achieved by registering the point cloud model of the plane to the measurement point cloud of the scene produced by the LiDAR sensors on board the vehicle. To this end, the Iterative Closest Point (ICP) algorithm is a well-established approach to register two sets of points without prior knowledge of the correspondences between pairs of points, which, however, is notoriously sensitive towards outliers and computationally expensive with large point clouds. In this work, different variants are presented that improve on the standard ICP algorithm, in terms of accuracy and runtime performance, by leveraging different data structures to index the reference model and outlier rejection strategies. The results show that the implemented algorithms can produce estimates of centimeter precision in milliseconds based only on partial observations of the aircraft, outperforming another established solution tested. / Punktmolnregistrering är en teknik för att anpassa två uppsättningar punkter med mångfaldiga applikationer inom en rad branscher. På grund av bristen på adekvat sensorsteknik har denna teknik hittills sällan används inom automotivesektorn. Med tillkomsten av solid-state LiDAR -sensorer som enkelt kan integreras i serieproduktionsfordon för att kunna känna av den omgivningen, kan denna teknik automatisera verksamheten. Att manövrera ett fordon i närheten av ett referensobjekt är en sådan operation, som bara kan utföras genom att exakt uppskatta dess position och orientering i förhållande till själva fordonet. Detta projekt handlar om design och implementering av en algoritm för att exakt lokalisera ett flygplan parkerat på ett flygfält i realtid. Detta uppnås genom att registrera planetens molnmodell till mätpunktsmolnet på scenen som produceras av LiDAR -sensorerna ombord på fordonet. För detta ändamålet är Iterative Closest Point (ICP) -algoritmen ett väletablerat tillvägagångssätt för att registrera två uppsättningar punkter utan föregående kännedom om överensstämmelserna mellan parpar, vilket dock är notoriskt känsligt för avvikelser och beräknat dyrt med stora punktmoln. I detta arbete presenteras olika varianter som förbättrar standard ICP - algoritmen, när det gäller noggrannhet och runtime performance, genom att utnyttja olika datastrukturer för att indexera referensmodellen och outlier -avvisningsstrategier. Resultaten visar att de implementerade algoritmerna kan producera uppskattningar av centimeters precision i millisekunder baserat endast på partiella observationer av flygplanet, vilket överträffar en annan etablerad lösning som testats.