数据关联问题

数据关联问题，就是要弄清楚机器人此刻看到的某样东西，是不是它先前看过的同一样东西——或者对应到地图上的哪一项。机器人的传感器递给它的只是一些光秃秃的测量值：这里一个墙角、那里一根树干、远处一团点。它们都没有贴标签。机器人想用一次新观测来校正自己的位置，就得先回答一个看似简单却很棘手的问题：这是我五秒前记下的那个墙角，还是一个全新的墙角？想象你走进一个停满几乎一模一样银色汽车的停车场、要找出自己那辆——每辆车看起来都像是答案，一旦认错，你就会朝错误的方向走去。

这件事之所以重要，是因为后面几乎所有环节都取决于配对是否正确。如果机器人把今天的观测连到了正确的旧地标上，这条连接就会让它对自己位置的估计更加准确。可一旦它自信地配错了对——比如认定两根不同的灯柱是同一根——它就把一个谎言折进了地图里，而这个错误会悄悄地污染建立在它之上的一切。错误的关联是地图被扭曲到无可挽救的主要原因之一，所以系统会借助一些检验来追问“这次配对在几何上说得通吗？”，并且宁可跳过一个可疑的配对，也不愿贸然认定一个错误的配对。

要把它做好，通常意味着把多条线索综合起来：新测量值离机器人原本预期那个旧特征的位置有多近、这个特征的外观有多与众不同，以及一整批配对放在一起看（而不是一个一个孤立地看）是否彼此一致。环境越难——重复的走廊、一排排一模一样的货架、一片相似的树林——数据关联问题就越是主导一切，因为到处都是看起来一样的东西，而一个自信的错误代价高昂。