从ORB SLAM的系统框架中就可以很清楚知道Local Mapping部分主要的实现。这个线程主要通过MapPoints维护关键帧之间的共视关系（covisibility），通过局部BA优化共视关键帧位姿和MapPoints。
如上图所示,Local Mapping 主要完成以下几个操作，所有操作在LocalMapping::Run()成员函数中被调用：
1、关键帧的插入
2、地图点的删除
3、新地图点的插入
4、局部地图点的融合
5、局部的Bundle Ajustment
6、局部关键帧的删除
下面就从这五个方面来说明代码中具体是怎么实现的。
1、关键帧的插入（ProcessNewKeyFrame()）
在Tracking线程挑选出 keyframe了之后（挑选keyframe的条件可以见[1]），Local Mapping的线程就要把该关键帧插入到Local Map中去。在代码中，会有一个List来管理keyframes，所以Local Mapping线程首先会通过CheckNewKeyFrames()函数检查这个队列里面有没有keyframes，如果有keyframes，则调用ProcessNewKeyFrame()来完成关键帧的插入。
代码解释：
如上图所示，要插入的当前的keyframe帧为mpCurrentKeyframe，它是一个keyframe的指针变量，最开始就把这一帧加入keyframes的队列里面，然后计算mpCurrentKeyframe的BOW，然后找出地图中的点（MapPoints）同时也在mpCurrentKeyframe中的，给这些点添加约束关系（AddObservation之类的）。最后给这一帧找到共视帧，并且加入到map中去。
2、地图点的删除
在上一步中会将一部分地图点加入到mlpRecentAddedMapPoints这个vector中，这一步需要做的就是剔除地图中新加入的但是质量不好的点。
如上图所示，评价一个点需要被删除掉的条件为：
（1）如果这个点是bad的
（2）IncreaseFound / IncreaseVisible < 0.25
（3）观测到该点的关键帧数量太少
3、新地图点的插入（CreateNewMapPoints()）
在将一些不好的点删除之后，接下来做的就是在地图中插入新的点。所有功能在CreateNewMapPoints()函数中完成的。
首先通过下面的函数GetBestCovisibilityKeyFrames()来获得共视程度大的keyframes
const vector<KeyFrame*> vpNeighKFs = mpCurrentKeyFrame->GetBestCovisibilityKeyFrames(nn);然后通过下列代码先计算出当前的keyframe和有共视的keyframes之间的baseline，如果baseline太小，则跳过换下一个keyframe来进行三角化。
for(size_t i=0; i<vpNeighKFs.size(); i++)
{
if(i>0 && CheckNewKeyFrames())
return;
KeyFrame* pKF2 = vpNeighKFs[i];
// Check first that baseline is not too short
cv::Mat Ow2 = pKF2->GetCameraCenter();
cv::Mat vBaseline = Ow2-Ow1;
const float baseline = cv::norm(vBaseline);
if(!mbMonocular)
{
if(baseline<pKF2->mb)
continue;
}再计算当前keyframe和对比的keyframe之间的F矩阵，挑选出满足极线约束的一些匹配点，具体实现如下所示：
cv::Mat F12 = ComputeF12(mpCurrentKeyFrame,pKF2);
// Search matches that fullfil epipolar constraint
vector<pair<size_t,size_t> > vMatchedIndices;
matcher.SearchForTriangulation(mpCurrentKeyFrame,pKF2,F12,vMatchedIndices,false);找到匹配点之后就进行三角化了。对每一对匹配点算它们的parallax，求解出深度（代码中是z1和z2）
for(int ikp=0; ikp<nmatches; ikp++)
{
const int &idx1 = vMatchedIndices[ikp].first;
const int &idx2 = vMatchedIndices[ikp].second;求解出深度之后要重投影到两帧中，计算当前keyframe到之前keyframe的重投影误差和之前keyframe到当前keyframe的重投影误差。如果误差过大则舍弃当前这对匹配点。否则就将恢复出来的点加入到地图点中去。
//Check reprojection error in first keyframe
if((errX1*errX1+errY1*errY1+errX1_r*errX1_r)>7.8*sigmaSquare1)
continue;
//Check reprojection error in second keyframe
if((errX2*errX2+errY2*errY2+errX2_r*errX2_r)>7.8*sigmaSquare2)
continue;// Triangulation is succesfull
MapPoint* pMP = new MapPoint(x3D,mpCurrentKeyFrame,mpMap);
pMP->AddObservation(mpCurrentKeyFrame,idx1);
pMP->AddObservation(pKF2,idx2);
mpCurrentKeyFrame->AddMapPoint(pMP,idx1);
pKF2->AddMapPoint(pMP,idx2);
pMP->ComputeDistinctiveDescriptors();
pMP->UpdateNormalAndDepth();
mpMap->AddMapPoint(pMP);
mlpRecentAddedMapPoints.push_back(pMP);
nnew++;4、局部地图点的融合
产生新的地图点之后，需要检查当前keyframe和之前的keyframe之间的相同的MapPoints，并且进行融合，整个操作是在SearchInNeighbors()函数中进行的。具体解释如下：
如上图所示，首先是将当前keyframe的相邻的关键帧加入到vpTargetKFs这个vector中，然后二级搜索，即把当前keyframe相邻的关键帧再相邻的关键帧也找出来，加入到vpTargetKFs这个vector中。
然后通过两帧之间相互投影，计算出待fuse的点加入到vpFuseCandidates这个vector中，再进行一次matcher的fuse。然后再进行一次update，如下图所示，计算出融合后的深度。
5、局部的Bundle Ajustment
局部BA就是在做当前keyframe相连的关键帧及MapPoints做局部的BA优化，优化工具是g2o，定义好了顶点和边之后就可以进行优化了。这一部分具体不多讲了，详细的看看源代码就知道了。
6、局部关键帧的删除
在local keyframes中剔除冗余的关键帧，剔除冗余的关键帧的条件是：
如果一个keyframes可以看到的MapPoints 90%以上都可以在其他至少三个关键帧中找到，那么就删除这个关键帧。
if(nRedundantObservations>0.9*nMPs)
pKF->SetBadFlag();参考文献：
[1] ORB SLAM的tracking部分代码解析
[2]【泡泡机器人公开课】第三十六课：ORB-SLAM2源码详解 by 吴博
[3] https://github.com/raulmur/ORB_SLAM2
[4] Mur-Artal, Raul, Jose Maria Martinez Montiel, and Juan D. Tardos. “ORB-SLAM: a versatile and accurate monocular SLAM system.” IEEE Transactions on Robotics 31.5 (2015): 1147-1163.
[5] Mur-Artal, Raul, and Juan D. Tardós. “Orb-slam2: An open-source slam system for monocular, stereo, and rgb-d cameras.” IEEE Transactions on Robotics 33.5 (2017): 1255-1262.