根据课程《深蓝学院激光SLAM》曾书格 总结
首先数据入口在文件global_trajectory_builder中，在其头文件中仅创建两个初始实例化函数：
std::unique_ptr<TrajectoryBuilderInterface> CreateGlobalTrajectoryBuilder2D() std::unique_ptr<TrajectoryBuilderInterface> CreateGlobalTrajectoryBuilder3D()主要内容在.cc文件中， AddSensorData函数，增加激光点云数据，IMU数据，里程计数据，其中点云数据最为关键，仅仅存在点云数据也可运行。 在增加点云数据时： 1.激光的前端匹配，调用2d文件夹中的local_trajectory_builder_2d
std::unique_ptr<typename LocalTrajectoryBuilder::MatchingResult> matching_result = local_trajectory_builder_->AddRangeData( sensor_id, timed_point_cloud_data);2.如果匹配成功，则把当前节点添加到pose-graph中，以及地图中，得到返回信息。
if (matching_result->insertion_result != nullptr) { kLocalSlamInsertionResults->Increment(); //当前节点添加到pose-graph中 auto node_id = pose_graph_->AddNode( matching_result->insertion_result->constant_data, trajectory_id_, CHECK_EQ(node_id.trajectory_id, trajectory_id_); //当前节点添加到地图中 返回的信息 insertion_result = absl::make_unique<InsertionResult>(InsertionResult{ node_id, matching_result->insertion_result->constant_data, std::vector<std::shared_ptr<const Submap>>( matching_result->insertion_result->insertion_submaps.begin(), matching_result->insertion_result->insertion_submaps.end())}); }1.1 AddRangeData函数中，主要是动态激光点的去除，以及非法激光点的过滤 a. 首先是时间同步，当仅存在激光雷达传感器时，相当于不起作用
auto synchronized_data = range_data_collator_.AddRangeData(sensor_id, unsynchronized_data);b.得到数据中第一个点云的时间戳
const common::Time time_first_point = time + common::FromSeconds(synchronized_data.ranges.front().point_time.time); if (time_first_point < extrapolator_->GetLastPoseTime()) { LOG(INFO) << "Extrapolator is still initializing."; return nullptr; }接下来为点云进行运动畸变去除 c.通过位姿插值得到每一个点云的位姿，然后进行运动畸变的去除
range_data_poses.push_back( extrapolator_->ExtrapolatePose(time_point).cast<float>());d.在cartographer中并不是所有帧处理，而是累计处理++num_accumulated_，累计帧足够才开始进行处理AddAccumulatedRangeData()
if (num_accumulated_ >= options_.num_accumulated_range_data()){ //估计当前机器人的pitch & roll角度，2D中本身就是0 const transform::Rigid3d gravity_alignment = transform::Rigid3d::Rotation( extrapolator_->EstimateGravityOrientation(time)); }在处理前，利用pitch和roll把点云投影到平面上，并且只保留一定高度范围内的点云数据。然后利用栅格滤波，有一个点云的稀疏化操作。
1.2 AddAccumulatedRangeData()主要进行前端数据处理的函数
// Computes a gravity aligned pose prediction. 预测当前机器人位资 //此时预测的位资为3D const transform::Rigid3d non_gravity_aligned_pose_prediction = extrapolator_->ExtrapolatePose(time); //通过重力向量消除了roll和pitch const transform::Rigid2d pose_prediction = transform::Project2D( non_gravity_aligned_pose_prediction * gravity_alignment.inverse()); //对数据进行进一步的voxel filter过滤 const sensor::PointCloud& filtered_gravity_aligned_point_cloud = sensor::AdaptiveVoxelFilter(gravity_aligned_range_data.returns, options_.adaptive_voxel_filter_options());通过scan-matching 估计当前点位姿
// local map frame <- gravity-aligned frame std::unique_ptr<transform::Rigid2d> pose_estimate_2d = ScanMatch(time, pose_prediction, filtered_gravity_aligned_point_cloud);如果匹配成功得到位姿，便可组成一个3D位姿，因为其位姿插值器为3D，所以的到新的位姿之后便可以更新位姿插值器。
const transform::Rigid3d pose_estimate = transform::Embed3D(*pose_estimate_2d) * gravity_alignment; extrapolator_->AddPose(time, pose_estimate);接着将激光数据转换到局部坐标系中，并将数据插入到local submap中
sensor::RangeData range_data_in_local = TransformRangeData(gravity_aligned_range_data, transform::Embed3D(pose_estimate_2d->cast<float>())); std::unique_ptr<InsertionResult> insertion_result = InsertIntoSubmap( time, range_data_in_local, filtered_gravity_aligned_point_cloud, pose_estimate, gravity_alignment.rotation());1.2.1 ScanMatch()前端匹配的核心函数 首先需要得到最近的子图进行匹配
std::shared_ptr<const Submap2D> matching_submap = active_submaps_.submaps().front();进行CSM匹配 —— 暴力匹配，如果有里程计的话则不需要使用该搜索。
if (options_.use_online_correlative_scan_matching()) { const double score = real_time_correlative_scan_matcher_.Match( pose_prediction, filtered_gravity_aligned_point_cloud, *matching_submap->grid(), &initial_ceres_pose); //计算CSM位姿得分 kRealTimeCorrelativeScanMatcherScoreMetric->Observe(score); }在CSM的基础上，再进行基于优化的匹配，（基于高斯牛顿的匹配） 即CSM+PL-ICP 或 CSM+基于优化。这里使用了ceres优化器进行优化。
auto pose_observation = absl::make_unique<transform::Rigid2d>(); ceres::Solver::Summary summary; ceres_scan_matcher_.Match(pose_prediction.translation(), initial_ceres_pose, filtered_gravity_aligned_point_cloud, *matching_submap->grid(), pose_observation.get(), &summary);此时得到位姿，接下来插入到子图中InsertIntoSubmap。
1.2.2 InsertIntoSubmap()将激光数据插入到子图中 首先判断是否运动了足够的距离，运动够了才进行处理
if (motion_filter_.IsSimilar(time, pose_estimate)) { return nullptr; }然后，插入数据并返回被插入的子图（最近的两个子图，因为两个子图之间存在重合部分）。 如果没有子图，或者到了需要生成新子图的时候，则生成一个新子图。 然后插入数据，如果局部子图帧数已经足够则设置为finish，下次进入到InsertRangeData时，将删掉已经finish的子图，则不会进行帧间匹配。
std::vector<std::shared_ptr<const Submap2D>> insertion_submaps = active_submaps_.InsertRangeData(range_data_in_local);最终返回插入的结果。
以上是前端部分的内容，接下来为后端部分。 2.1 后端部分AddNode()，往pose-graph中添加节点位姿，通过调用AppendNode()实现，同时把约束计算函数加入到执行队列中。 首先将local pose转换到 global pose
const transform::Rigid3d optimized_pose( GetLocalToGlobalTransform(trajectory_id) * constant_data->local_pose);然后加入节点
const NodeId node_id = AppendNode(constant_data, trajectory_id, insertion_submaps, optimized_pose);检查是否有 finished submap
const bool newly_finished_submap = insertion_submaps.front()->insertion_finished();把ComputeConstraintsForNode函数加入到执行队列，为当前节点增加约束&回环检测
AddWorkItem([=]() LOCKS_EXCLUDED(mutex_) { return ComputeConstraintsForNode(node_id, insertion_submaps, newly_finished_submap); });添加的约束主要有： （1）当前节点和insertion submap之间的约束，帧间连边 （2）计算当前节点和每一个完成的submap之间的约束，即回环检测 （3）如果有新完成的submap，需要计算pose-graph中每一个点和新submap之间的约束，其中pose-graph为老节点，可以理解为一个反向的回环检测
