cartographer 算法主要有三个文件夹
1、cartographer_ros （该文件件里的代码是cartographer 在 ros平台中的接口）
2、cartographer （核心slam算法）
3、ceres-solver （google 的开源 优化库）
由于C++功底不够，google的代码用到了C++的很多新特性，所以这篇文章可能会有些地方有错误，请见谅。
首先使用Understand分析下这份源码，（源码版本2017-03-23，后面应该比较稳定了，不会大改）
进入cartographer_ros文件夹找到 node_main.cc 进入main()函数，
前面几句是配置用的，直接进入Run()函数
run函数首先读取lua文件的配置参数，然后下面的全都是收集传感器数据，打包封装成cartographer统一的格式数据，包括 kLaserScanTopic、KMultiEchoLaserScanTopic(2D选这两个中的任何一个)、kPointCloud2Topic（3D） 、kImuTopic(2D可选，3D必须)、kOdometryTopic （2D/3D可选） 最后一段是地图完成服务调用，用于保存地图的。
转到 cartographer_ros的sensos_bridge.cc
这里面各种传感器消息的封装，起一个桥梁的作用。
通过这个接口的过度，正式从cartographer_ros 转到了cartographer中。
转到cartographer/mapping / trajectory_builder.h 我们又看到一个接口类 TrajectoryBuilder，各种消息都统一调用了虚函数AddSensorData()，用Understand看看它的Derived Class 发现CollatedTrajectoryBuilder继承了这个类。
这个类的定义在cartographer文件夹中的 mapping\collated_trajectory_builder.h中。
转到mapping\collated_trajectory_builder.cc 看到了AddSensorData()的实现，该类的构造函数说明通过统一调用HandleCollatedSensorData（）函数，来轮询处理三大类消息 kImu(IMU消息)、kRangefinder（测距消息，不仅仅是激光）、kOdometer（里程计消息）。消息处理的实体通过wrapped_tarjectory_builder指针调用，该指正定义为GlobalTrajectoryBuilderInterface。
GlobalTrajectoryBuilderInterface是一个2D与3D SLAM全局接口类，在mapping\global_trajectory_builder_interface.h中，开头有段注释说明了这个slam算法的思想，该slam算法首先使用本地slam算法估计初始位姿，然后使用扫描匹配检测闭环，终于通过稀疏姿态图优化（sparse pose graph optimization，原理参见论文）算法优化整个位姿序列。
这个接口类被2个类继承mapping_2d\GlobalTrajectoryBuilder 与mapping_3d\GlobalTrajectoryBuilder。这里只看看2D的。
转到cartographer\mapping_2d\global_trajectory_builder_interface.cc中。
先看看IMU。AddImuData传入参数为时间、加速度、角速度，首先调用local_trajectory_builder中的AddImuData函数，再调用sparse_pose_graph中的AddImuData，一个是用于本地优化的，一个是用于全局优化的。
转到cartographer\mapping_2d\local_trajectory_builder.h 看看介绍说这部分是本地SLAM部分，完成UKF,扫描匹配 ，但是没有闭环部分。
看到mapping_2d/local_trajectory_builder/AddImuData的实体 ,看看Predict()函数，这个函数主要是运用运动学模型（陀螺仪的积分，里程计的积分），简单的预测姿态平移矩阵以及旋转矩阵。预测完了后，又加入了加速度与角速度的观测。
再看mapping_2d/local_trajectory_builder/AddOdometerData函数，首先执行了predict（），然后使用里程计的数据，得到了一个里程计的校正量odometry_correction_。
再看mapping2d_trajectory_builder/AddRangefinderData()函数，和IMU部分一样有一个本地优化ocal_trajectory_builder_.AddHorizontalLaserFan，还有一个全局优化 sparse_pose_graph_->AddScan。
本地优化里调用了一个重要的函数LocalTrajectoryBuilder::ScanMatch（），这个函数首先对激光数据进行了投射处理、栅格化滤波，然后实时在线优化real_time_correlative_scan_matcher_.Match，这个优化是可选的，优化方式比较简单，就是在之前预测位姿附近开一个三维窗口，然后在这个三维窗口内，均匀播撒候选粒子，对每个粒子计算匹配得分，选取最高得分的粒子作为优化的位姿。该优化的位姿还要传入一个ceres_scan_matcher_.Match(）在子地图中完成局部优化，最终得到本地优化后的位姿。
今天就写这么多了，下次再仔细分析下一两个函数
ceres_scan_matcher_.Match(） 与
sparse_pose_graph_->AddScan（）。
前者为子地图局部优化，里面构造了优化约束条件，然后调用ceres slover 库做优化。
后者是全局地图的优化，里面有闭环检测的策略，重点是分支定界寻找闭环点，然后构造闭环优化约束，最后再次调用ceres slover。