SLAM算法中的数据关联问题

       数据关联一直是SLAM实际应用中一个非常重要的问题。在将数据融入到地图中前，新的测量与地图中已存在的地标的关联，在融合后，这些关联不能被修改。这样的问题是单个的错误数据关联可能诱导地图估计的发散，经常导致定位算法灾难性的失败。当100%正确的关联强制正确的操作SLAM算法将会变得脆弱。

批量验证

几乎所有的SLAM实现方法都仅用统计的验证门限来进行数据关联，其是一个继承自目标追踪的剔除不可能的关联[Y. Bar-Shalom and T.E. Fortmann, Tracking and Data Association. New York: Academic, 1988.]的方法。早期的SLAM实现方法通过测试被观察到的路标是否临近于预测的目标来独立的考虑每个测量到路标的关联。假如机器人位姿非常的不确定其所有的都失效了，但是大部分稀疏的结构化的环境，独立的门限是及其不可靠的。

        一个重要的进步是批量门限的概念，这里多重关联被同时考虑。相互关联兼容性利用路标间的几何相似关系。这两个批量验证的存在形式分别是联合兼容分支与界(JCBB)[J. Neira and J.D. Tardo´s, “Data association in stochastic mapping using the joint compatibility test,” IEEE Trans. Robot. Automat., vol. 17, no. 6, pp. 890–897, 2001.]定方法，其是一个树状搜索，和组合约束数据关联(CCDA)[T. Bailey, “Mobile robot localisation and mapping in extensive outdoor environments,” Ph.D. dissertation, Univ. Sydney, Australian Ctr. Field Robotics, 2002.]，其是一种图形搜索方法(看图4)。后者（又或者是随机化变量的JCBB[J. Neira, J.D. Tardo´s, and J.A. Castellanos, “Linear time vehicle relocation in SLAM,” in Proc. IEEE Int. Conf. Robotics Automation, 2003.]）能够实现在任何不知道机器人位姿的情况下的可靠数据关联。

       单独的批量门限常常足够实现可靠的数据关联：如果门限是被充分约束的，关联的误差会产生显著的影响[S.S. Blackman and R. Popoli, Design and Analysis of Modern Tracking Systems. Norwood, MA: Artech, 1999.]，如果关联上一个错误的且在物理上接近正确的路标，那么不一致性是较小的。这可能不会经常有效，特别是在大的复杂环境中，更综合的数据关联机制（例如多重假设追踪[Y. Bar-Shalom and T.E. Fortmann, Tracking and Data Association. New York: Academic, 1988.]）是必须的。

外观签名

       单独的几何图案门限不是唯一的可靠数据关联方法。许多传感模式，例如视觉，提供了丰富的信息，包括了形状，颜色和纹理，所有的这些可以被用来发现两个数据集之间的联系。对于SLAM，外观签名用来预测可能的关联式有用的，例如关闭一个环路，或者通过提供额外的区别的信息辅助常规的门限。

        在历史上，外观签名和图像相似性度量被发展用来索引图像数据库[Y. Rubner, C. Tomasi, and L.J. Guibas, “A metric for distributions with applications to image databases,” in Proc. IEEE Int. Conf. Computer Vision, 1998.]和识别拓扑地图中的地方[S. Argamon-Engelson, “Using image signatures for place recognition,”Pattern Recognit. Lett., vol. 19, no. 4, pp. 941–951, 1998.],[I. Ulrich and I. Nourbakhsh, “Appearance-based place recognition for
topological localization,” in Proc. IEEE Int. Conf. Robotics Automation, 2000, pp. 1023–1029.]。在最近几年，外观测量已被应用到探测SLAM中的环路[J.S. Gutmann and K. Konolige, “Incremental mapping of large cyclic environments,” in Proc. IEEE Int. Symp. Computational Intelligence Robotics Automation, 1999, pp. 318–325],[P. Newman, D. Cole, and K. Ho, “Outdoor SLAM using visual appearance and laser ranging,” in Proc. IEEE Int. Conf. Robotics Automation, 2006.]。Newman等人的基于视觉的外观签名环路探测的工作。[P. Newman, D. Cole, and K. Ho, “Outdoor SLAM using visual appearance and laser ranging,” in Proc. IEEE Int. Conf. Robotics Automation, 2006.]引入了两个重要的创新。计算在一个序列上的图像的相似性度量，而不是单个图像，应用特征值技术移除共模相似性。该方法通过仅考虑感兴趣或者非共有的匹配在相当程度的减少了假阳性的发生。

多重假设数据关联

多重假设数据关联对于在杂乱的环境中稳健的目标追踪是非常重要的[Y. Bar-Shalom and T.E. Fortmann, Tracking and Data Association. New York: Academic, 1988]。其通过产生一个分离的对于每个关联假设追踪的估计解决关联歧义，随着时间的推移，创造了一个不断分支的轨迹树。追踪的轨迹数量通常受可用的计算资源限制，且低似然性追踪通过假设树修正。

       多重假设追踪(MHT)对于稳健的SLAM实现同样重要，特别是在大的复杂的环境下。例如，在环路闭环中，机器人需要理想的维持分离可疑回路假设，和同样在感知环境中结构相似情况的“没有回路”的假设。与此同时，MHT被应用到建图问题[I.J. Cox and J.J. Leonard, “Modeling a dynamic environment using a bayesian multiple hypothesis approach,” Artif. Intell., vol. 66, no. 2, pp. 311–344, 1994.]，这还没有应用到SLAM环境中。维持对每个假设的分离地图估计的计算量是一个主要的障碍。应用稀疏化或者子地图方法的易处理的方案是可能的。FastSLAM算法是一个固有的多重假设方案，因为每个粒子都有它自己的地图估计。FastSLAM算法的一个重要的属性是它能够执行粒子数据关联[M. Montemerlo and S. Thrun, “Simultaneous localization and mapping with unknown data association using FastSLAM,” in Proc. IEEE Int. Conf. Robotics Automation, 2003, pp. 1985–1991.]。