Design of an extended Kalman filter for motorcycle localization under out-of-sequence measurements

The automotive sector is currently one of the most active sectors in industrial research and development, with a particular focus on autonomous driving. Most studies focus on four-wheeled vehicles, which are destined to form the basis of future autonomous transportation. However, extending these technologies to motorcycles is also of great interest, especially from the perspective of increased safety and driver assistance, rather than the development of fully autonomous two-wheeled vehicles. From this perspective, this work addresses the problem of motorcycle localization, a fundamental element for the development of autonomous control and navigation systems. The problem is divided into two main subcomponents. The first concerns the definition of an odometric model capable of describing the vehicle's motion with a good compromise between simplicity and accuracy. To this end, a kinematic model based on the bicycle model was implemented and validated, analysing its strengths, limitations, and potential simplifications. This model has been shown to be effective in describing vehicle motion under regular driving conditions, while critical issues increase with the increased lateral and longitudinal dynamics, which exceed the simplifying assumptions on which the model is based. The second part of the work is dedicated to the design and implementation of an extended Kalman filter (EKF) for fusing data from the odometry model and GPS antennas. Particular attention was paid to managing delays and out-of-sequence measurements (OOSM), an often-overlooked issue yet crucial to the quality of the estimate. A delay-robust EKF was developed, capable of consistently correcting the state even in the presence of significant temporal latencies, significantly improving the accuracy and stability of localization compared to a traditional approach. The results show that the proposed approach significantly improves localization performance compared to a traditional delay-ignoring EKF filter, ensuring a more stable and accurate estimate.

L’ambito dell’automotive rappresenta oggi uno dei settori più attivi nella ricerca e nello sviluppo industriale, con particolare attenzione verso la guida autonoma. Gran parte degli studi si concentra sui veicoli a quattro ruote, destinati a costituire la base del trasporto autonomo del futuro. Tuttavia, anche l’estensione di tali tecnologie alle motociclette risulta di grande interesse, soprattutto in un’ottica di aumento della sicurezza e di assistenza alla guida, più che nella realizzazione di veri e propri veicoli a due ruote completamente autonomi. In questa prospettiva, il presente lavoro affronta il problema della localizzazione di una motocicletta, elemento fondamentale per lo sviluppo di sistemi di controllo e navigazione autonoma. Il problema viene suddiviso in due sottocomponenti principali. La prima riguarda la definizione di un modello odometrico capace di descrivere il moto del veicolo con un buon compromesso tra semplicità e accuratezza. A tal fine, è stato implementato e validato un modello cinematico basato sul bicycle model, del quale sono stati analizzati punti di forza, limiti e possibili semplificazioni. È stato dimostrato come tale modello risulti efficace nella descrizione del movimento del veicolo in condizioni di guida regolare, mentre le criticità aumentano al crescere delle dinamiche laterali e longitudinali più marcate, che esulano dalle ipotesi semplificative su cui il modello si basa. La seconda parte del lavoro è dedicata alla progettazione e implementazione di un filtro di Kalman esteso (EKF) per la fusione dei dati provenienti dal modello odometrico e dalle antenne GPS. Particolare attenzione è stata riservata alla gestione dei ritardi e delle misure fuori sequenza (OOSM), tematica spesso trascurata ma cruciale per la qualità della stima. È stato infatti sviluppato un EKF robusto ai ritardi, capace di correggere lo stato in modo coerente anche in presenza di latenze temporali significative, migliorando sensibilmente l’accuratezza e la stabilità della localizzazione rispetto a un approccio tradizionale. I risultati mostrano come l’approccio proposto migliori sensibilmente le prestazioni di localizzazione rispetto a un filtro EKF tradizionale che ignori i ritardi, garantendo una stima più stabile e accurata.