接着上一篇的分析， 主要分析ceres_scan_matcher_.Match(） 与 sparse_pose_graph_->AddScan（）。
先看ceres_scan_matcher_.Match(） ，转到mapping_2d\scan_matching\ 里找它的头文件与源文件。
CeresScanMatcher::Match（）主要就是构造约束条件，然后调用ceres库完成优化，如何优化不讲，讲讲约束条件是如何构造的。这个函数里有3个约束条件的构造。
//激光点云占据栅格的代价函数，当点云匹配到原地图中的自由状态的栅格时，代价增加；当匹配到占据状态的栅格时，代价减小。同时还有一个点云占据系数，可在配置文件中设置。
new OccupiedSpaceCostFunctor( options_.occupied_space_weight() / std::sqrt(static_cast<double>(point_cloud.size())), point_cloud, probability_grid)；// 位置代价函数，当估计位置与初始给定位置距离增大时，代价也增大，同时还有一个平移权重系数，在配置文件中可设定。
new TranslationDeltaCostFunctor( options_.translation_weight(), previous_pose)；//旋转代价函数，但估计角度与初始给定位姿的角度相差增大时，代价增大，同时还有一个旋转权重系数，在配置文件中可设定。
new RotationDeltaCostFunctor( options_.rotation_weight(), ceres_pose_estimate[2])；所谓优化问题，一般都是将某一问题抽象（就是构造约束条件，也就是构造残差表达式），然后转换为优化线性或非线性最小二乘问题。最小二乘问题求解的方法也无非就那几种（ceres库中均应有实现，没看源码，不确定），请自行百度。 至此，局部地图全部优化完毕，再看全局优化过程sparse_pose_graph_->AddScan（）。 在mapping_2d\sparse_pose_graph.cc 中
（我好心痛啊，快写完了，结果csdn崩溃了，写的东西全没了，又得再来一遍，香菇蓝瘦，之前写的比较详细，这里就凭印象简写了）
正如前面所说，AddScan的核心是利用分支定界进行全局的闭环检测完成优化，那重点自然就是如何进行分支定界了。 函数最后调用了ComputeConstraintsForScan（）， 里面调用了constraint_builder_.MaybeAddGlobalConstraint（） 或 constraint_builder_.MaybeAddConstraint(） 这两个函数在mapping_2d\sparse_pose_graph\中。 它们都首先调用 ScheduleSubmapScanMatcherConstructionAndQueueWorkItem（），里面有个变量thread_pool，用于多线程的操作。 然后调用了ComputeConstraint（），这个函数重点就是调用 submap_scan_matcher->fast_correlative_scan_matcher->MatchFullSubmap（） 与 submap_scan_matcher->fast_correlative_scan_matcher->Match（）。 （这之间的过程是，代码是写的天花乱坠，各种技巧，我也没看太懂，反正重点就是这两货了） 这两个函数一个是用于全局的扫描匹配，一个是在全局地图中开个窗口，然后在窗口内进行扫描匹配。（PS:如果有小伙伴想进行基于离线地图的机器人全局定位，可以用该函数计算机器人的初始位姿哦，但不推荐其用于连续的机器人轨迹跟踪，毕竟计算量大啊） 这两个函数最终都是调用 MatchWithSearchParameters（）
（划重点了，分支定界就在这个函数里面！！！）
1、首先生成以一定的角步长生成旋转候选粒子， GenerateRotatedScans ，即给定一个激光扫描，以及角步长，角度从0到360°，生成旋转候选粒子； 2、将旋转候选粒子离散化， DiscretizeScans，即原始的激光扫描是由浮点的（角度，距离值）组成，离散化后变成整型的（地图索引x，地图索引y）; 3、收紧搜索边界，ShrinkToFit，边界参数存放在search_parameters中； 4、计算低分辨率地图中的候选粒子ComputeLowestResolutionCandidates，这里着重讲一下，这种方法之所以能够快速进行匹配，也是利用了多分辨地图这个特点，分支定界就是在多分辨率地图中完成的。首先在低分辨率地图中，将旋转候选粒子以一定的平移补偿（x,y两个方向），放在整个搜索空间中（简单粗暴啊，三维空间中的搜索），然后按照每个候选粒子的平均分，按又高到低进行排序，得到排序后的lowest_resolution_candidates。 5、分支定界，BranchAndBound，下界min_score ，小于该得分的候选粒子直接就pass了。计算高一层分辨率地图所需要的粒子位置偏移量，然后在高一层分辨率地图中，再次计算每个粒子的平均得分并排序，最后递归
best_high_resolution_candidate = std::max( best_high_resolution_candidate, BranchAndBound(discrete_scans, search_parameters, higher_resolution_candidates, candidate_depth - 1, best_high_resolution_candidate.score));可以看出递归采取深度优先的方式，先在某一个区域块（对应的就是低分辨率地图），进行四分查找（二维，所以是四分，四分之后，地图分辨率提高一个层级），计算该区域块的最高得分的粒子，然后递归下去，直到最高分辨率的地图，选择最高分辨率地图中，得分最高的粒子，其分数作为分支定界的下界，然后再在其它区域进行这样的操作，直到扫描完整张地图。
好了，这篇博客介绍的比较粗糙，中间具体的实现细节我也没看太懂，好多语法也不懂，只能看个大概，所以，这里就只是抛砖引玉了吧！
