今天尝试阅读cartographer源码这个大魔王，把自己的理解写下来。首先最重要的是cartographer文档里这张图，描述了算法的结构，首先对这张图分析。
cartographer算法结构分析
整个算法分为两大部分：Local SLAM （前端检测），还有Global SLAM （后端闭环）。
这里输入的传感器数据有四个：Range Data（激光雷达，摄像头等），Odometry Pose(里程计数据)，IMU Data，FixedFramePose(我理解是确定的位置)。
里程计与数据与IMU数据共同进入PoseExtraPolator，这里做航迹推算，给定一个里程计与IMU得到的位置估计，具体的方法很简单，用两次以上里程计计算平均速度，用两次以上IMU数据计算平均角速度，然后推算出下一时刻的位置姿态，然后给到Scan Matching中作为扫描匹配的初值。
然后Range Data数据经过体素滤波（一种滤波方法）和自适应体素滤波，然后进入scanMatching，作为观测值，这里scanMatching用Real-Time Loop Closure in 2D LIDAR SLAM论文中介绍的基于ceres优化的scanMatching方法获得观测最优位置估计，经过Motion Filter滤波，作为位置最优估计构建submap。这里scanMatching方法比较有趣，匹配部分对每个栅格点的概率进行双三次样条插值平滑，然后构建优化问题如下，后面M那项即概率，概率值为0到1的一个数字，因此M这项越大，1-M就越小，这个优化函数目标是获取一个概率最高的位置。
这里介绍一下Submap的概念，submap字面意思子地图，即真的是cartographer构建的子地图，在Real-Time Loop Closure in 2D LIDAR SLAM论文中为许多帧激光雷达扫描出来的，其地图每个像素点更新公式如下图。cartographer理论认为连续的多帧扫描具有很小的累积误差，因此这样构建submap作为地图的一个小单元，最后cartographer再通过Sparse Pose Adjustment方法进行闭环优化，得到地图。
上面讲完了Local SLAM部分，Local SLAM部分获得了很多Submap，然后这些submap进入Global SLAM部分进行优化，干的事情用下图形容比较形象
