1.主旋律程
TransformAssociateToMap()
将转交到的鸭岛座标切换到强化后的camera_init极座标下。未知转交到的新一代的鸭岛为：
上一格鸭岛统计数据为：
上一格强化后的鸭岛统计数据为：
新一代帧强化后的统计数据为：
extractSurroundingKeyFrames()
抽取环绕着sizes。分成三种情形：杀青poem检验情形和没迈入poem检验情形。
迈入poem检验：
关键步骤一：结点大部份突破点，找前段时间的50个sizes做为环绕着sizes，少于50个sizes后，弹出最先的sizes加进新一代的sizes，以保证环绕着sizes是新一代的50帧。
关键步骤二：通过强化后的突破点位姿，将点云左边切换到camera_init极座标下。
没开启poem检验情形：
关键步骤一：根据机器人当前位置，找附近50米内的大部份sizes，然后再滤波筛选出所需要的sizes。
关键步骤二：删除上一次保存的环绕着sizes中，不在新一代查找的sizes里的帧。
关键步骤三：找出新一代查找的sizes，不在环绕着sizes中的sizes，将其加进到环绕着sizes中。
关键步骤四：通过强化后的突破点位姿，将点云左边切换到camera_init极座标下。
抽取完sizes后，将这些sizes对应的特征点云，压入容器并过滤，用于后面的特征匹配强化。
downsampleCurrentScan()
处理当前订阅到的特征点云统计数据：cornerCloud,outlierCloud,surfCloud
对其，分别进行过滤。其中过滤后的cornerCloud 用于后面线特征匹配。将outlierCloud,surfCloud全部点云统计数据，用于后面的面特征匹配。
Scan2MapOptimization()
后端强化。
cornerOptimization()
关键步骤二：将订阅的角点特征点切换到camera_init下，与extractSurroundingKeyFrames抽取的环绕着角点特征进行匹配强化。
关键步骤三：特征匹配
通过kdtree找到与特征点前段时间的5个环绕着特征点。
计算环绕着特征点协方差,计算协方差特征向量，其中最大的特征值对应的特征向量，认为是特征的方向向量。
计算特征点的平均座标值，和方向向量，来找到两个特征点。
特征点匹配，同上一章节的特征匹配方法一样。
surfOptimization()
进行面特征匹配。找到前段时间的5个点，默认其是在同一个平面。现在求平面方程，然后计算特征点到平面的距离，以完成特征匹配。
平面一般方程为：
通过QR求解，得到平面法向量（参数向量）X，进而得到平面方程。
然后按照前一章节方法，求解点到面的距离。
LMOptimization()
transformUpdate()
根据IMU统计数据，通过加权平均法修正rx和rz
关键步骤一：根据当前帧时间戳找到，对应时刻的IMU姿态。
关键步骤二：加权平均求姿态。
saveKeyFramesAndFactor()
保存sizes，并进行因子图强化。距离前一格距离大于0.3米情形下，才保存sizes。然后进行因子图强化，来求解最优状态。最后更新LM强化的最优值。
correctPoses()
检验到完成一次poem检验后，更新大部份的sizes位姿。
publishTF()
发布鸭岛统计数据和tf变换
publishKeyPosesAndFrames()
发布位姿和sizes
clearCloud()
清除匹配的环绕着帧。每次匹配都是重新生成环绕着点云。
poem检验线程 loopClosureThread：
不断检验当前帧是否构成poem，构成poem，计算因子，进行因子图强化。
performLoopClosure()
线程任务函数。
detectLoopClosure()
poem检验。
关键步骤1：查找距离当前帧距离在7米范围内，且时间差在30秒一下的前段时间sizes
关键步骤2：将新一代帧的线特征点云和面特征点云，都切换到地图极座标(camera_init）下。
关键步骤3：根据找到的最佳匹配帧前、后25帧点云，取出来做为参考点云。后续与当前点云进行匹配。
关键步骤4：icp帧间匹配，然后构建约束，加进到图强化中，进行强化。
注意：两帧点云都是在
地图发布线程（visualizeGlobalMapThread()）：
发布地图，保存点云和轨迹：
点云包括线特征点云(切换到cemera_init下)，面特征点云(包含outlier点云)
transformFusion类，主要就是发布话题，不再阐释。
lego-loam源代码阐释专栏：
