1. 两者采取的都是图优化框架
采取的优化库不一致， karto采取的是spa(karto_slam)或g2o(nav2d), cartographer采取的是google的ceres构建problem优化。 karto的前端与后端采取的是单线程进行，cartographer按paper说明，采取的是4线程后端优化，还在进一步确定。
2. 运动预测部分：tracker
karto利用的是odom进行初始位置的预测， cartographer部分利用imu构建预测模型，scanmatcher与odom(可选)构建观测模型，采取UKF进行运动预测， cartographer带有tracker的说法。
3. scanMatcher 部分
3.1 karto 采取的的是real-time correlative scan matcher（三维窗口遍历寻优）的方式进行的。 采取的是双分辨率的低分辨率和高分辨率的两次搜索。
3.2 cartoGrapher也是采取的双搜索的方式进行的， 先用一次real-time correlative scan matcher（三维窗口遍历寻优），再构建优化等式，利用ceres优化求解。（栅格概率， T的偏差，R的偏差）
4. submap的说明
4.1 karto没有submap的概念，全部以keyScan的形式存储在sensorManager。 无地图缓存，但每次计算地图有计算消耗。采取的是scan-map的匹配方式，每次keyScan进入主动的依据pose的距离窗口生成localMap进行匹配。 local 与 gloal的loop closure依据graph的结构和sensorManage顺序存储分配的ID信息，选择候选scans，生成localMap，进行匹配，依据score进一步确定闭环。
4.2 . cartographer采用了submap的概念， 依据一定数量的scan初始一个submap, 依据窗口大小， 插入newScan，更新submap. 有子图缓存，会占用内存。
5. Loop-Closure
5.1 karto 主要依据pose 和 distance信息创建localMap，scanMatcher（real-time correlative scan matcher）确定。
1) 依据当前的Vertex, 从Graph中找到与之相邻的所有vertex(一定距离范围内). 2) 采取广度优先搜索的方式，将相邻（next）与相连（adjacentVertices）添加进nearLinkedScans. 3) 从sensorManager中取从前到后，依据id序号挑选与当前在一定距离范围内，且不在nearLinkedScans中的candidateScans, 当数量达到一定size，返回。 4）loopScanMatcher进行scanTomap的匹配，当匹配response 和covariance达到一定要求认为闭环检测到。得到调整的correct pose. 5）Add link to loop : 调整边（全局闭环） 6) 触发correctPose: spa优化
5.2 cartogapher 类似（（real-time correlative scan matcher）），引入了branch and bound的方式， 加快了闭环的查找。
依据多分辨率多层的树型结构，单枝生长的方式(branch)，及时剪枝操作（bound），深度优先搜索(DFS)确定闭环。 （Intra-submap Inter-submap ）
添加相应的闭环约束。构建优化问题，利用ceres优化。