Enhanced sensor fusion for SLAM-driven autonomous navigation of lunar UGVs in GPS-denied environments

The exploration of GPS-denied environments presents significant challenges, especially in the context of space missions where autonomous navigation is crucial. Simultaneous Localization and Mapping (SLAM) has emerged as a fundamental approach to address these challenges, enabling Unmanned Ground Vehicles (UGVs) to perform autonomous tasks in unstructured environments. However, achieving reliable localization and mapping in such conditions involves overcoming issues related to sensor noise, environmental uncertainty, and positional drift. This thesis focuses on the development of a SLAM system for UGVs, exploiting an enhanced sensor fusion technique to integrate data from a Light Detection and Ranging (LiDAR) sensor, a Monocular Camera (MC) and an Inertial Measurement Unit (IMU). A Graph-Based (GB) method is employed to fuse the localization estimates obtained from the MC and the IMU. The resulting positional data are then fed into the prediction step of an Extended Kalman Filter (EKF) which incorporates in the update step the localization data derived from the LiDAR sensor, further used for mapping. This approach effectively combines the strengths of each sensor, with the GB method mitigating drift in MC and IMU data and the EKF ensuring accurate updates through LiDAR-based measurements. Simulations are conducted in GPS-denied environments modeled in Unreal Engine, using a rigorous methodology to validate the presented method under realistic conditions. Extensive simulations demonstrate substantial reductions in positional drift and enhanced localization robustness. The system’s performance was benchmarked against existing SLAM techniques, showing notable improvements in both accuracy and reliability. These results assess the effectiveness of the proposed solution and highlight its potential for broader applications in space exploration. By refining sensor fusion techniques within a modular framework, this work aims to advance SLAM methodologies, providing a solid foundation for autonomous navigation in challenging, GPS-denied environments.

L'esplorazione di ambienti privi di GPS presenta sfide significative, soprattutto nelle missioni spaziali, dove la navigazione autonoma è cruciale. Il Simultaneous Localization and Mapping (SLAM) si è affermato come approccio fondamentale per affrontare tali sfide, permettendo ai veicoli terrestri autonomi (UGV) di operare in ambienti non strutturati. Tuttavia, garantire una localizzazione e mappatura affidabili in queste condizioni richiede di superare problemi legati al rumore dei sensori, all’incertezza ambientale e all’errore progressivo nella posizione. Questa tesi si concentra sullo sviluppo di un sistema SLAM per UGV, sfruttando una tecnica avanzata di fusione dei dati provenienti da un sensore LiDAR, una camera monoculare (MC) e un’unità di misura inerziale (IMU). Si utilizza un metodo basato su grafi (GB) per fondere le stime di localizzazione fornite da MC e IMU. I dati di posizione ottenuti vengono impiegati nella fase di previsione dell’Extended Kalman Filter (EKF), che, durante l’aggiornamento, integra le misurazioni di localizzazione fornite dal LiDAR, usate anche per la mappatura. Questo approccio combina i punti di forza di ciascun sensore: il metodo GB riduce l’errore progressivo nei dati di MC e IMU, mentre l’EKF garantisce aggiornamenti accurati tramite le misurazioni del LiDAR. Le simulazioni sono state condotte in ambienti privi di GPS modellati in Unreal Engine, utilizzando un approccio meticoloso per validare il metodo in scenari realistici. I risultati mostrano una riduzione dell’errore progressivo e un aumento della robustezza della localizzazione. Le prestazioni del sistema sono state confrontate con tecniche SLAM esistenti, evidenziando miglioramenti in accuratezza e affidabilità. Questi risultati confermano l’efficacia della soluzione proposta e ne sottolineano il potenziale per applicazioni nell’esplorazione spaziale. Raffinando le tecniche di fusione dei dati dei sensori in un’architettura modulare, questo lavoro intende offrire un contributo allo sviluppo delle metodologie SLAM, fornendo una base solida per la navigazione autonoma in ambienti difficili e privi di GPS.