Sviluppo di un filtro di localizzazione multi sorgente adattivo per veicoli autonomi

The rapid development of autonomous vehicle technology demands robust and highly accurate localization systems, which are essential for navigation in complex urban and rural environments. This thesis presents a methodology that leverages algorithm fusion for the global estimation of vehicle position and orientation (vehicle pose). The approach integrates various asynchronous measurement sources using an enhanced Extended Kalman Filter (Extended Kalman Filter (EKF)), tuned with wavelet denoising techniques. This enhanced EKF provides a continuous and unified estimate of the vehicle’s position. The primary measurement sources include Global Navigation Satellite System (GNSS), GNSS Real Time Kinematics (GNSS-RTK), Particle Filter (PF), and LiDAR-based localization. The modifications to the Extended Kalman Filter incorporate: Exogenous Adaptive Covariance (Exogenous Adaptive Covariance (ExAC)), which dynamically adjusts the measurement covariance (R) based on the estimated observation quality; a Jump Detection (Jump Detection (JD)) system that identifies and discards measurements erroneously considered reliable; and a Rate Limiter (Rate Limiter (RL)) that progressively modifies the matrix R when previously unavailable measurements become active, ensuring smooth and stable updates. A custom MATLAB tool was also developed to evaluate the repeatability of different localization systems, aiding in the selection of algorithms to be integrated into the filter. The proposed Extended Kalman Filter (EKF) significantly enhances the robustness of the localization process, reducing reliance on any single measurement source. Additionally, the introduced modifications led to an average 50% improvement over the centimeter-level accuracy ground truth provided by GNSS-RTK in terms of the estimated pose accuracy compared to scenarios without these enhancements. The system was tested on a Maserati MC20 Cielo in urban and suburban environments, as well as during the Trofeo della Vallecamonica 2024, a particularly challenging scenario due to the limited GPS and Internet coverage along the route. The results of this work contribute to the development of more resilient localization methods, supporting autonomous driving in complex, urban, and rural contexts.

Il rapido sviluppo della tecnologia dei veicoli autonomi richiede sistemi di localizzazione robusti e altamente precisi, indispensabili per la navigazione in ambienti complessi, urbani e rurali. La metodologia sviluppata in questa tesi impiega una fusione di algoritmi di localizzazione (algorithm fusion) per la stima globale della posizione e dell’orientamento del veicolo (posa del veicolo), combinando diverse sorgenti di misura, asincrone tra loro, tramite un filtro di Kalman Esteso (EKF) modificato, regolato con tecniche di wavelet denoising. Questo EKF modificato fornisce una stima continua e unificata della posizione del veicolo. Le principali sorgenti di misura integrate includono Global Navigation Satellite System (GNSS), GNSS Real Time Kinematics (GNSS-RTK), Particle Filter (PF) e la localizzazione basata su LiDAR. Le modifiche al filtro di Kalman esteso comprendono: la Covarianza Adattiva Esogena (Exogenous Adaptive Covariance (ExAC)), che regola dinamicamente la covarianza delle misure (R) in base alla qualità stimata delle osservazioni; un sistema di Rilevamento dei Salti (Jump Detection (JD)), che individua e scarta misure erroneamente considerate affidabili; e un Limitatore di Variazione (Rate Limiter (RL)), che modifica progressivamente la matrice R quando una misura precedentemente assente torna disponibile, per garantire aggiornamenti graduali e stabili. È stato inoltre sviluppato uno strumento MATLAB personalizzato per valutare la ripetibilità di diversi sistemi di localizzazione, utile a guidare la selezione degli algoritmi da integrare nel filtro. Il filtro di Kalman Esteso (EKF) sviluppato ha significativamente aumentato la robustezza del processo di localizzazione, riducendo la dipendenza da una singola sorgente di misura. Inoltre, le modifiche introdotte hanno portato a un incremento medio del 50% rispetto alla ground truth proveniente dalla misura con precisione centimetrica del GNSS-RTK nell’accuratezza della posa stimata rispetto a scenari privi di questi miglioramenti. Il sistema è stato testato su una Maserati MC20 Cielo su strade urbane ed extraurbane e al Trofeo della Vallecamonica 2024, una sfida specifica per il sistema, a causa della copertura GPS e Internet limitata lungo il percorso. I risultati di questo lavoro contribuiscono allo sviluppo di metodi di localizzazione più resilienti, adatti a supportare la guida autonoma in contesti complessi, sia urbani che rurali.