在同步定位與地圖構建（SLAM）領域，數據關聯——即如何將觀測到的地標與地圖中的已有地標正確匹配——一直是一個核心挑戰。傳統方法主要依賴幾何位置信息，但近年來深度學習的進展為這一問題帶來了新的機遇。現在，數據關聯不僅可以利用位置測量，還可以整合語義信息，例如神經網絡目標檢測器輸出的類別標籤，以及視覺基礎模型提取的特徵向量。
針對這一趨勢，一篇發表於arXiv的論文（編號2607.23384）提出了一個廣義的、無數據關聯的SLAM框架。該框架的創新之處在於，它不再將數據關聯作為獨立步驟，而是將其與機器人位姿估計、地標位置估計以及地標語義估計聯合優化。具體來説，框架接收里程計數據以及地標的位置和語義測量，同時輸出數據關聯、位姿、地標位置和語義的聯合估計。
該框架有三個主要特點：第一，它創建了數據關聯與地標語義估計之間的協同作用——語義信息幫助數據關聯，而改進的數據關聯反過來提升語義估計的準確性。第二，它採用了一種半增量式估計方案，在保持高精度的同時有效降低了計算複雜度。第三，它提供了關於地標數量估計的理論依據、指導原則和啓發式方法，使框架更易於理解和實際應用。
研究人員在合成數據集和真實數據集上進行了評估，測試了兩種語義信息類型：離散的類別標籤和連續的特徵向量。與多種強基線方法相比，所提框架在定位精度和地圖構建質量上均取得了顯著提升。這一工作為未來SLAM系統的設計提供了新的思路，尤其在自動駕駛、移動機器人和增強現實等對魯棒性要求極高的應用中具有潛力。