En los talleres de electrólisis de aluminio, la percepción de la pose en tiempo real de las cabezas de descascarado es crucial para la precisión del proceso y la seguridad del equipo. Sin embargo, debido a las altas temperaturas, el humo, el polvo y las obstrucciones metálicas, los métodos tradicionales de estimación de pose luchan por lograr alta precisión y robustez. Al mismo tiempo, el movimiento continuo de la cabeza de descascarado y las estructuras geométricas similares a su alrededor dificultan la coincidencia de nubes de puntos, lo que hace aún más difícil rastrear la posición y orientación. En respuesta a los desafíos anteriores, proponemos un algoritmo de estimación de pose de optimización en múltiples etapas basado en el procesamiento de nubes de puntos. Este método está diseñado para tareas de percepción dinámica de componentes tridimensionales en escenarios industriales complejos. La primera etapa mejora la precisión de la coincidencia inicial al combinar un voto Hough 3D ponderado y un mecanismo de umbral adaptativo con una estrategia de coincidencia de características FPFH mejorada. En la segunda etapa, al integrar la información de características FPFH y PCA, se logra un registro inicial estable utilizando el marco de registro grueso RANSAC-IA. En la tercera etapa, diseñamos un algoritmo ICP mejorado que mejora efectivamente la convergencia del proceso de registro y la precisión de la estimación final de la pose. Los resultados experimentales muestran que el método propuesto tiene buena robustez y adaptabilidad en un entorno real de taller de electrólisis, y puede lograr la estimación de la pose de la cabeza de descascarado en presencia de ruido, oclusión e interferencia de fondo compleja.