Development of end-to-end simulation elements for the validation of autonomous rover visual navigation in lunar environment

Lunar exploration is rapidly advancing, driven by increasing international efforts and initiatives. Surface rovers are part of these missions, playing a crucial role in scientific research and resource prospecting. Autonomous rover navigation in lunar environment relies heavily on visual navigation techniques, such as Visual Odometry (VO) and Simultaneous Localization And Mapping (SLAM). These methods enable rovers to estimate their position and map the surroundings without external references, ensuring autonomous operations. This thesis presents the development and evaluation of a visual Simultaneous Localization And Mapping algorithm tailored for lunar surface navigation, leveraging a high-fidelity digital simulation environment. The work builds upon the Interactive Mission Modeling Visualization & Validation tool (IMMV2), a Mission Digital Twin (MDT) developed by the Telespazio eXtended Reality Laboratory (XR-Lab), which enables the validation and testing of navigation strategies under realistic lunar conditions. At the core of the IMMV2 is the Visual Scenario Generator (VSG), which synthesizes detailed lunar surface scenes using a Digital Elevation Model (DEM) derived from Lunar Reconnaissance Orbiter (LRO)’s Lunar Orbiter Laser Altimeter (LOLA)’s data. The DEM is enhanced from a native resolution of 5 m/pixel to 10 cm/pixel by incorporating fractal surface roughness, high-resolution texture overlays, and procedurally generated features such as rocks and craters, thereby supporting rover-scale visual navigation tasks. The proposed system is validated using a simulated rover inspired by NASA’s Perseverance, including realistic steering constraints and wheel slippage. VO is performed by tracking Oriented FAST and Rotated BRIEF (ORB) features across sequential images, with descriptors matching based on Hamming distance. A full Visual SLAM pipeline is implemented to incrementally construct a sparse map of the environment while correcting accumulated drift by revisiting known places. Additionally, a hazard detection module, based on the YOLO deep learning framework, is trained using auto-labeled synthetic datasets generated by IMMV2, enabling the identification of potential obstacles and supporting adaptive path planning. The IMMV2 framework is further exploited to evaluate the system’s robustness under challenging lunar conditions, including low-texture terrain, changing illumination, and partial occlusions. The simulation environment allows extensive testing of localization accuracy by comparing SLAM-derived trajectories with known ground truth paths. In conclusion, this work demonstrates the effective use of a high-fidelity simulation framework for the development, validation, and analysis of a visual navigation algorithm in support of future lunar exploration missions.

L’esplorazione lunare sta vivendo una rapida evoluzione, sostenuta da crescenti sforzi e collaborazioni internazionali. I rover di superficie sono parte integrante delle nuove missioni di esplorazione, svolgendo un ruolo cruciale nella ricerca scientifica e nella prospezione di risorse. La navigazione autonoma dei rover in ambiente lunare si basa fortemente su tecniche di navigazione visiva, come la Visual Odometry (VO) e la Simultaneous Localization And Mapping (SLAM). Questi metodi consentono ai rover di stimare la propria posizione e mappare l’ambiente circostante senza riferimenti esterni, garantendo operazioni autonome. Questa tesi presenta lo sviluppo e la valutazione di un algoritmo visivo di SLAM progettato per la navigazione sulla superficie lunare, sfruttando un ambiente di simulazione digitale ad alta fedeltà. Il lavoro si fonda sull’Interactive Mission Modeling Visualization & Validation tool (IMMV2), un gemello digitale di missione (Mission Digital Twin) sviluppato dal Laboratorio di Realtà Aumentata di Telespazio (XR-Lab), che consente la validazione e il test di strategie di navigazione in condizioni lunari realistiche. Al cuore dell’IMMV2 vi è il Visual Scenario Generator (VSG), che sintetizza scene dettagliate della superficie lunare utilizzando modelli digitali di elevazione (DEM) derivati dai dati del Lunar Reconnaissance Orbiter (LRO), in particolare dall’altimetro laser Lunar Orbiter Laser Altimeter (LOLA). Questi DEM sono migliorati da una risoluzione nativa di 5 m/pixel a 10 cm/pixel mediante l’integrazione di rugosità superficiale frattale, sovrapposizioni di texture ad alta risoluzione e caratteristiche generate proceduralmente come rocce e crateri, supportando così compiti di navigazione visiva a scala rover. Il sistema proposto viene validato utilizzando un rover simulato ispirato al Perseverance della NASA, includendo vincoli realistici di sterzata e slittamento delle ruote. La VO viene eseguita tracciando features ORB attraverso immagini sequenziali, con matching dei descrittori basato sulla distanza di Hamming. Viene implementata una pipeline completa di SLAM per costruire una mappa dell’ambiente, correggendo tramite il ritorno in luoghi già noti gli errori di posizionamento accumulati. Inoltre, un modulo di rilevamento pericoli, basato sul framework di deep learning YOLO, viene addestrato utilizzando dataset sintetici auto-etichettati generati dall’IMMV2, permettendo l’identificazione di potenziali ostacoli e supportando la pianificazione adattativa del percorso. Il framework IMMV2 viene ulteriormente sfruttato per valutare la robustezza del sistema in condizioni lunari sfidanti, quali terreni a bassa texture, variazioni di illuminazione e occlusioni parziali. L’ambiente di simulazione consente test estesi sull’accuratezza della localizzazione, confrontando le traiettorie derivate dal SLAM con i percorsi di riferimento noti. In conclusione, questo lavoro dimostra l’efficace utilizzo di un framework di simulazione ad alta fedeltà per lo sviluppo, la validazione e l’analisi di algoritmi di navigazione visiva a supporto delle future missioni di esplorazione lunare.