- 现有**概率数据关联(Probabilistic Data Association, PDA)** 方法在语义SLAM中假设固定地标集，地图增长时需要重新计算关联权重
- 依赖手动调整的**零假设(null-hypothesis)** 权重，缺乏自适应性
- 面对**感知混叠(perceptual aliasing)** 和分类器错误时，轨迹精度和语义地图质量有待提升
- 提出**BPDA-GMM**：在线贝叶斯PDA框架，使用**狄利克雷过程(Dirichlet process)** 先验诱导**中国餐馆过程(Chinese Restaurant Process, CRP)** 关联模型
- 设计**联合语义-几何门(joint semantic-geometric gate)** 筛选候选地标，计算CRP加权关联概率，并以闭式更新地标为**语义高斯(semantic Gaussian)**
- 地标集合形成**高斯混合模型(Gaussian mixture model, GMM)**，将主导分量作为**最大混合语义因子(max-mixture semantic factor)** 传入后端
- 当关联权重不明确时，引入**α-散度退火(α-divergence tempering)** 步骤增强区分度；后端通过置零语义因子位姿雅可比，实现**解耦(decoupled)** 更新
- **首创性**：将**中国餐馆过程(CRP)** 引入语义SLAM的在线数据关联，动态处理新增地标，避免固定地标集假设
- **自适应机制**：**α-散度退火** 在模糊关联时自动调整权重，提升判别力，无需手动调参
- **解耦架构**：后端中语义因子位姿雅可比置零，使噪声检测仅精炼地标而不直接扰动轨迹，增强鲁棒性
- **闭式更新**：语义高斯在关联后以闭式更新，计算高效
- 提出一个完整的在线贝叶斯PDA框架**BPDA-GMM**，显著提升语义SLAM在感知混叠场景下的轨迹精度和语义地图质量
- 在仿真和真实室内数据集上超越**现有最优基线(state-of-the-art baselines)**，验证了对抗感知混叠和分类器错误的鲁棒性
- 开源代码和视频，促进社区复现与后续研究