原文关键章节已核对
以下分析来自论文原文，保留实验条件与结果适用范围。
原文依据范围
IV 局部子地图和Ceres扫描匹配 · V 位姿图及分支定界回环 · VI-A–C 实测、Radish与表I–V · PDF第5页图3/4可视检查
原文来源与版本用于研究核对。公开可获取不等于允许全文转载；本站提供中文分析和官方原文链接。
方法机制
Cartographer将连续激光扫描配准到小范围概率栅格子地图，局部用平滑占据概率的非线性优化；子地图完成后固定其栅格，预计算不同窗口内的最大值作为上界，以分支定界加速扫描到子地图回环搜索。后台优化扫描与子地图位姿图，纠正局部累计漂移。
实验设置与硬件
实验用德国博物馆背包采集数据、放在推车上的Neato吸尘器Revo LDS传感器及Radish公开序列。主要是录制传感器数据以在线算法重放；五条激光尺测距用于比较二维地图长度，公开序列用人工核验相对位姿关系评价，非自主机器人导航实验。
结果及统计口径
作者报告1913秒、估计2253米的博物馆轨迹在Xeon E5-1650上360秒处理完，约5.3倍实时、峰值2.2GB；典型图优化约0.3秒。五条测距的相对误差绝对值0.2%至0.8%。Radish多数指标具竞争力，但MIT CSAIL不及所引Graph Mapping，回环精确率也非全为100%。
局限与风险
二维投影依赖近似水平激光及重力估计，5厘米是栅格分辨率而非统一定位精度。各公开数据集分别调参，作者承认无法完全排除对场景过拟合；Freiburg hospital回环精确率77.3%，错误约束仍需鲁棒处理。
复现建议
无需神经网络训练；复现须保留激光时间戳、IMU/里程计配置、搜索窗、子地图大小和优化权重。应分别报告CPU与墙钟、回环精确率及几何误差，不能把后续库的三维SLAM能力视作本篇验证。
实验标签与机器人
- 验证范围
- 实物实验
- 机器人型号
- 未核实
代码与训练
有开源代码 · 实现已开源
无需神经网络训练；Cartographer 源码和配置公开。官方 README 已声明不再积极维护，移植新 ROS 环境时需核对分支与依赖。
来源与分类证据
Google 论文页确认 ICRA 2016、背包平台及二维实时回环。
查看一手来源论文 PDF 支持子地图、分支定界与真实测试范围。
查看一手来源官方仓库确认 Apache-2.0 和不再积极维护的声明。
查看一手来源IV/V：Occupancy-grid submaps, nonlinear scan matching, precomputed max grids and scan-to-submap branch-and-bound.
查看一手来源VI-A PDF p5：1913s data,2253m estimated trajectory;360s wall clock;2.2GB;four loop-closure threads.
查看一手来源VI-B/C 表I/II/IV：Manually trolley-carried Revo LDS;five distance comparisons;dataset-specific tuning caveat;hospital loop precision77.3%.
查看一手来源PDF p5 图3/4：Visually inspected multiscale max grids and the Deutsches Museum floor map.
查看一手来源