Eigen和SVD在给定一组点的情况下找到最佳拟合平面

给定3D空间中的一组N点，我试图使用SVD和Eigen找到最合适的平面。

我的算法是：

1. 中心数据点围绕（0,0,0）。
2. 形成点坐标的3xN矩阵。
3. 计算矩阵的SVD。
4. 将与最小奇异值对应的最小奇异矢量设置为平面法线。
5. 将原点到平面的距离设置为法线∙重心。

我无法弄清楚如何使用Eigen的SVD模块查找与点坐标矩阵的最小奇异值相对应的最小奇异矢量。

到目前为止，我已经有了以下代码（算法的步骤1、2和5）：

Eigen::Matrix<float, 3, 1> mean = points.rowwise().mean();
const Eigen::Matrix3Xf points_centered = points.colwise() - mean;

int setting = Eigen::ComputeThinU | Eigen::ComputeThinV;
Eigen::JacobiSVD<Eigen::Matrix3Xf> svd = points_centered.jacobiSvd(setting);

Eigen::Vector3d normal = **???**

double d = normal.dot(mean);