cartographer开发大法
前言
最新项目需要，对cartographer做一个开发/学习手册。简单记录一下对cartographer代码的开发和应用，供实验室参考。
传送门：
cartographer架构
Google推出的一套图计算算法，集成有2D和3D的SLAM感知，但是其思想就是奔着产品落地来的，实现了低计算资源消耗，很适合在嵌入式的系统上进行集成。也因此作为本项目的baseline，（落地优先）。
整理流程是采用了一个grid的思想对建图进行切分（大地图维护切分成很多个小子图来分别建图和维护），至于回环检测和全局一致性等等还是正常的BA问题。
直接从官方图片入手解读：
输入层： Lidar的范围信息；里程计和位姿；IMU；修正的帧位姿。
局部处理部分——前端：处理传感信息，建立局部子图
SLAM第一个需要位姿——来自里程计或者IMU提供先验。
对于Lidar预处理是基本的（自适应）体素滤波等操作，然后输出到匹配。匹配子图也是正常的需要一个当前的位姿信息。
submaps就基本上约等于打游戏开小地图，每次只维护周围的那一片（城邦），整体城邦可以拼接成一个国家地图；插入时，同时插入两个活跃的 submaps。每个时刻两个 submap 是活跃的，当前 submap 和上一个 submap。
局部SLAM的运动滤波器就类似视觉里程计里面的关键帧，取运动一段时间的关键帧来生成和维护地图。
后端：全局优化
前端生成了interaction data，就包含了当前的子图信息；插入到当前的整体的位姿图，利用约束关系(constraints),并根据参数,options_.optimize_every_n_nodes()决定什么时候运行一次全局优化.
对于这两个部分，由于整体的工程化其实已经相当的完善，我们重点开发的地方其实是对submap信息的处理和维护。