1.一种适应复杂环境的迭代分类匹配数据关联方法，其特征在于，包括如下步骤：S1：使用标准联合兼容分枝定界算法进行初次关联，将传感器测量特征数据集Zt和地图+ +特征数据集Ft分成两组，其中初次关联成功的特征组成数据集Zt 和Ft，初次关联失败的特‑ ‑征组成数据集Zt和Ft；

+ +

S2：根据数据集Zt和Ft，求解最小二乘匹配向量Θ；

‑

S3：通过最小二乘匹配向量Θ对数据集Ft进行更新，得到更新后的数据集‑S4：将数据集Zt和更新后的数据集 组合成新的输入，进行步骤S1～S3的迭代，直至满足均方误差检测，则迭代结束。

2.根据权利要求1所述的一种适应复杂环境的迭代分类匹配数据关联方法，其特征在于，所述步骤S1具体为：设向量Ft表示已知局部地图在t时刻所包含的n个特征的状态：T

Ft＝[f1,f2,…,fn]    (1)设向量Zt表示传感器在时间t获得的m个观测值：T

Zt＝[O1,O2,…,Om]    (2)根据已知的局部地图特征和t时刻的传感器观测值，可以给出关联假设:Ht＝{c1,c2,…,ci,…,cm‑1,cm}    (3)其中ci表示观察oi与特征fci相匹配，如果ci＝0，则表示在已知的局部地图中没有与观测oi匹配的特征；

关联假设Ht所涉及的特征的预测观察如下：式中，h(·)为机器人观测方程，R^为机器人预测的位置和姿态，向量是Ht中特征的预测状态；

然后由上式得联立方程：

式中 表示实际观测；

联立方程的协方差矩阵为：

式中 为雅可比矩阵； 是预测误差协方差矩阵； 是观测误差协方差矩阵；

由(5)和式(6)可得联合相容性条件为:其中 为联合马氏距离； 表示卡方分布，其自由度为 置信度为α；如果 满足式(7)，则表示Ht中的所有匹配对 是联合兼容的；

最终，传感器测量特征数据集Zt和地图特征数据集Ft被分类为两组：满足是联合兼容的+ + ‑ ‑特征被存储在新的特征集Zt和Ft中；不满足的则被分别存储在特征集Zt和Ft中。

3.根据权利要求1所述的一种适应复杂环境的迭代分类匹配数据关联方法，其特征在于，所述步骤S1中采用m层的解释树模型表示t时刻所有可能的关联假设。

4.根据权利要求1所述的一种适应复杂环境的迭代分类匹配数据关联方法，其特征在于，所述步骤S2中使用四元数方法求解最小二乘匹配向量Θ，最小二乘匹配向量Θ由一个旋转矩阵和一个平移矩阵组成；

T

若用qR＝[q0 q1 q2 q3] 表示一个单位旋转四元数向量，其中q0≥0，那么由上述单位旋转四元数向量qR生成的3×3旋转矩阵可以写为：T

若用qT＝[q4 q5 q6]表示一个平移矩阵，那么整个最小二乘匹配向量可以表示为Θ＝T[qR,qT]。

5.根据权利要求4所述的一种适应复杂环境的迭代分类匹配数据关联方法，其特征在于，所述步骤S2中最小二乘匹配向量Θ的具体求解过程为：已知 表示成功关联的传感器测量特征集，其相对应的地图特征集为其中i＝1,…,K，则其均方匹配误差可以表示为：+

若 和 表示已成功关联的传感器测量特征和其相对应的地图特征所构成的点集O+和F的中心，那么：

+ +

则特征集Zt和Ft的互协方差矩阵P可以被表示为：T T

已知反对称矩阵Λ＝P‑P的循环周期成分用于构成列向量Δ＝[Λ23Λ31Λ12]，则对称矩阵Γ可以被表示为：其中，tr(P)表示互协方差矩阵P的迹，即矩阵P主对角线上所有元素之和，I3表示3×3的单位矩阵；

对称矩阵Γ的最大特征值所对应的单位特征向量最终被选择为最优旋转向量qR＝[q0 Tq1 q2 q3]，而最优平移向量则可以被表示为：若用θ表示最小二乘四元数算子，则整个最小二乘匹配过程可以被归纳为：+ +

(Θ,E)＝θ(Zt ,Ft)    (15)。

6.根据权利要求5所述的一种适应复杂环境的迭代分类匹配数据关联方法，其特征在于，所述步骤S3具体为：T

由获得的最小二乘匹配向量Θ＝[qR,qT]用于对未满足最近邻选择法则，即未成功关‑联的地图特征集Ft进行更新；

其中， 表示经最小二乘匹配向量更新后的未成功关联地图特征集；

若用ζ表示最小二乘匹配更新算子，则整个最小二乘匹配更新过程可以被归纳为：其中，表示匹配更新阶段的均方匹配误差。

7.根据权利要求1所述的一种适应复杂环境的迭代分类匹配数据关联方法，其特征在于，所述步骤S4中均方误差检测为：当两次更新前后均方误差的差值小于预先设定的阈值τ，τ>0，整个迭代过程才会终止；

‑ ‑

若均方误差的差值不满足上式，那么设置Zt＝Zt ，Ft＝Ft以继续上述迭代数据关联过程。