GitHub地址：快速壤土（LiDAR ODMOTIRE和映射）
快速壤土提供了两个节点的映射和本地化节点。目前，仅使用其定位部分，并且将Velodyne用作分析源代码的示例。
只是跑步和两个节点！
从点云处理开始，看看订阅并发布
它订阅了发送的点云数据并将其保存到处理中。在从其所有帧中提取符号和边缘功能后，将其发送出去，并使用相同的过程处理时间戳记。
该节点中的主要函数是从每个框架中取出一个帧，即提取其表面特征和边缘特征。
此功能将在稍后引入。然后发布了计算标志和边缘功能。
参考博客：http：//xchu.net/2020/08/17/49floam/主要在此文件中具有函数和函数
（1）功能淘汰首先计算云接线光束并分类
接下来计算每个点的曲率
将点云均匀分为6个子图，以确保可以在各个方向上提取特征
（2）LaserProcessingClass按照曲率对点云进行排序，当特征提取，穿越点云并判断它是基于曲率的平面还是边缘点。以最大的曲率为基础，以最大的曲率为基础，这被认为是最大的曲率成为边缘点，其他是平面点。
点云处理后，将功能和边缘功能数据发送到节点。
第一个是时间戳记的时间戳，删除比旧时间戳更古老的点云，然后是初始化的过程。该功能将在后面提及：
初始化完成后，将两个特性引入该函数，并求解解决方案并求解位置。
这是我修改的参数。为了解决过多的云，解决方案位置的效率太低，导致延迟的高问题，这将在功能中详细解释。
最终广播，也就是说
里程在这里发布，时间是当前的时间。如果要解决两个主机时间的问题，则可以修改点云数据的时间。但是，需要测试影响。
初始化的过程是将第一帧直接添加到地图中。毕竟，第一帧没有参考。在初始化完成后，设置了一些优化的成本和参数。初始化完成后，将其设置为12，然后将迭代次数连续减少到2，也就是说，只有两次。
假设当前帧具有与上一个帧相同的练习，然后开始优化：
其中，两个特征点云的要点添加到平面和边缘的残差项中，即和谐。此外，当使用此里程时正时，高级别的信息不准确。我不知道这是环境问题还是参数问题。因此，它需要解决。因此，它仅使用其2D信息添加以下修改：
（1）addgeCostFactor && addsurfcostfactorkd树参考博客：https：//blog.csdn.net/weixin_38275649/arttails/80972554
将所有边缘点！以此为中心，以计算邻居的索引值和邻居的中心距离，找到五个最相邻点！
（2）AddPointStomap此功能是将点云添加到地图，过滤器和样品中。首先是连续添加获得的边缘特征和面部特征。尽管我们尚未使用其MAP功能，但是在优化解决方案时，我们需要将地图中的点云用作参考。
为了防止场景太大，优化计算位置太时了 - 耗尽，有必要删除添加到地图中的点云
也就是说，范围是要过滤当前位置附近当前位置以外的点。然后将细菌过滤器使用到点云，最后将其添加到地图中！