ING - Scuola di Ingegneria Industriale e dell'Informazione
3-apr-2025
2023/2024
Al giorno d’oggi, la guida autonoma è uno tra i temi centrali nella ricerca sulla mobilità,
che mira a sviluppare sistemi di trasporto più sicuri, efficienti e intelligenti. Uno degli
aspetti più critici di questa tecnologia è lo sviluppo di sistemi di localizzazione precisa
e in tempo reale, essenziale per consentire ai veicoli autonomi di muoversi in ambienti
complessi e non strutturati. Tra le varie strategie di localizzazione, i metodi basati su
fotocamere stanno riscuotendo un crescente interesse grazie alla loro economicità, versatilità
e capacità di fornire informazioni dettagliate sull’ambiente circostante. Tuttavia, i
sistemi di SLAM (Simultaneous Localization and Mapping) puramente visivi, in particolare
quelli monoculari, presentano limitazioni intrinseche che questo lavoro si propone di
analizzare e superare.
Questa tesi si concentra sul miglioramento del sistema ORB-SLAM3, uno dei più avanzati
algoritmi di SLAM visivo, attraverso l’integrazione di dati odometrici. Viene sviluppata
una nuova modalità operativa che combina informazioni visive e odometriche, sfruttando
le proprietà dinamiche del veicolo per migliorare la precisione della localizzazione e la
stabilità della traiettoria stimata. L’integrazione dell’odometria consente di ridurre significativamente
la deriva della scala e di garantire una maggiore coerenza nella ricostruzione
del percorso, rendendo il sistema più robusto e affidabile in scenari reali.
Il sistema è stato testato su un’Alfa Romeo Giulia Quadrifoglio, utilizzata come piattaforma
sperimentale, in ambienti eterogenei: dalle strade urbane trafficate con condizioni
di illuminazione variabili, fino a contesti semi-strutturati e circuiti ad alta velocità.
I risultati sperimentali dimostrano che l’algoritmo è in grado di operare in tempo reale con
una frequenza di almeno 20 Hz, producendo mappe 3D dettagliate e stime di traiettoria
altamente accurate. L’integrazione dei dati odometrici nello SLAM visivo si conferma
quindi una strategia efficace per migliorare la localizzazione dei veicoli autonomi, aprendo
la strada a ulteriori sviluppi nel settore della guida autonoma.
In recent years, autonomous driving has emerged as a key research area in mobility, driven
by the need for safer, more efficient, and intelligent transportation systems. One of the
fundamental challenges in this field is achieving precise and real-time localization, which
is essential for autonomous vehicles to navigate dynamic and unstructured environments
effectively. Among various localization approaches, camera-based methods have gained
significant attention due to the numerous advantages offered by visual sensors, including
their affordability, flexibility, and ability to provide rich semantic information about the
surroundings. However, pure visual methods, particularly monocular SLAM, suffer from
inherent limitations such as scale ambiguity and long-term drift, which this work aims to
analyze and overcome.
This thesis investigates real-time Visual and Odometric Simultaneous Localization and
Mapping (SLAM) techniques, focusing on enhancing ORB-SLAM3, a state-of-the-art visual
SLAM system. A novel working mode is proposed that fuses visual data with odometric
measurements, leveraging vehicle motion constraints to improve localization accuracy
and stability. By integrating odometry, the system effectively mitigates scale drift,
enhances trajectory consistency, and ensures more reliable performance across diverse
operating conditions.
To evaluate the proposed system, extensive testing has been conducted using an Alfa
Romeo Giulia Quadrifoglio as the experimental platform. The vehicle has been deployed
in a variety of environments, including urban streets with dense traffic and variable lighting
conditions, semi-structured areas, and high-speed racing circuits. The experimental
results demonstrate that the developed system operates in real time at a frequency of
at least 20 Hz, successfully generating highly accurate 3D maps while providing precise
trajectory estimates. These findings underscore the benefits of incorporating odometric
data into visual SLAM, paving the way for future advancements in autonomous vehicle
localization.