- 现有**概率数据关联(probabilistic data association, PDA)** 方法在语义SLAM中存在三个主要局限：假设固定地标集、随着地图增长需要重新计算关联权重、依赖手工调整的**零假设权重(null-hypothesis weights)**
- 上述局限导致在**感知混叠(perceptual aliasing)** 场景下表现不佳，无法高效处理动态增长的**对象级地图(object-level map)**
- 需要一种在线、自适应的贝叶斯数据关联框架，能够自动权衡新地标与已有地标，并避免手工参数调优
- 提出**BPDA-GMM** 框架，使用**狄利克雷过程先验(Dirichlet-process prior)** 诱导**中国餐馆过程(Chinese Restaurant Process, CRP)** 关联模型，利用累积证据优先匹配已有地标，同时通过**浓度参数(concentration parameter)** 分配概率给新地标
- 对每个语义检测，通过**联合语义-几何门(joint semantic-geometric gate)** 筛选候选地标，计算CRP加权的关联概率，并以闭式更新对象地标为**语义高斯(semantic Gaussian)**
- 生成的地标集构成**高斯混合模型(Gaussian mixture model, GMM)**，将其主导分量作为**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，触发**α-散度退火(α-divergence tempering)** 步骤以提高区分度
- 采用**解耦后端(decoupled back-end)**，将语义因子的**位姿雅可比(pose Jacobian)** 置为零，使噪声检测仅优化地标而不直接扰动轨迹
- **首创性地将狄利克雷过程/中国餐馆过程用于在线语义SLAM数据关联**，实现地标集动态增长，无需固定集合或重新计算全连接关联
- **闭式语义高斯更新**：在CRP加权关联后，地标作为语义高斯可闭式更新，避免了数值优化或采样，提高计算效率
- **模糊触发α-散度退火**：在关联权重不明确时通过退火增强区分度，提升对感知混叠和分类器误差的鲁棒性
- **解耦后端策略**：将语义因子的位姿雅可比置零，隔离噪声检测对轨迹的直接扰动，允许不精确检测仍能有效优化地标
- 为**语义SLAM(semantic SLAM)** 领域提供了一种在线、可扩展的贝叶斯概率数据关联范式，显著提升在**感知混叠(perceptual aliasing)** 和分类器误差场景下的**轨迹精度(trajectory accuracy)** 和**语义建图质量(semantic mapping quality)**
- 在仿真和真实室内数据集上，相比现有最先进基线(sota baselines)取得更优性能，并公开代码和视频以促进社区复现与后续研究
- 提出的**解耦后端** 和**α-散度退火** 技巧可独立于核心框架使用，为其他SLAM系统的噪声处理提供通用思路