Automatic long term LiDAR map update via staticity estimation

Autonomous driving systems rely on accurate and reliable localization to estimate the vehicle pose within the environment. Among the most widely adopted approaches, map-based LiDAR localization uses pre-built maps and scan matching techniques to achieve high precision pose estimation. However, environmental changes such as structural modifications and temporary or dynamic objects can cause maps to become outdated, reducing localization accuracy and robustness. Ensuring long-term map consistency is therefore a key requirement for reliable autonomous driving. This thesis presents the development of a lifelong LiDAR map update framework within the AIDA autonomous driving project at Politecnico di Milano. The proposed method enables multi-session map maintenance by detecting environmental changes and updating graph-based LiDAR maps while preserving structural consistency and map quality. The core contribution consists of a two-stage change classification algorithm combining sector-based ray-casting and probabilistic staticity estimation. The ray-casting method detects appeared and disappeared objects while explicitly handling occlusions, whereas a Bayesian filtering framework recursively estimates the staticity probability of each point by integrating observations across multiple sessions. This probabilistic formulation improves robustness against noise, temporary objects, and classification errors, enabling more reliable long-term map maintenance. The framework has been validated on real-world datasets. Experimental results show that the algorithm accurately detects environmental changes and progressively improves map consistency over multiple update iterations, while maintaining controlled map growth and computational efficiency.

I sistemi di guida autonoma richiedono una localizzazione accurata e affidabile per stimare la posa del veicolo nell’ambiente. Tra gli approcci più diffusi, la localizzazione LiDAR basata su mappe utilizza mappe dell’ambiente pre-costruite e tecniche di scan matching per ottenere un’elevata precisione. Tuttavia, cambiamenti ambientali quali modifiche strutturali e la presenza di oggetti temporanei o dinamici possono rendere le mappe obsolete, riducendo l’accuratezza e la robustezza della localizzazione. Garantire la consistenza delle mappe nel lungo termine rappresenta quindi un requisito fondamentale per una guida autonoma affidabile. In questa tesi viene presentato lo sviluppo di un framework per l’aggiornamento continuo di mappe LiDAR, realizzato nell’ambito del progetto di guida autonoma AIDA presso il Politecnico di Milano. Il metodo proposto consente la manutenzione delle mappe su sessioni multiple, rilevando i cambiamenti ambientali e aggiornando mappe LiDAR basate su grafo, preservandone la consistenza strutturale e la qualità. Il contributo principale consiste in un algoritmo di classificazione dei cambiamenti articolato in due fasi, che combina un approccio di ray-casting basato su settori con una stima probabilistica della staticità. Il ray-casting consente di rilevare oggetti apparsi o scomparsi gestendo esplicitamente le occlusioni, mentre un filtro bayesiano permette di stimare ricorsivamente la probabilità di staticità di ciascun punto della mappa integrando osservazioni provenienti da sessioni multiple. Questa formulazione probabilistica migliora la robustezza rispetto al rumore, alla presenza di oggetti temporanei e agli errori di classificazione, consentendo un aggiornamento delle mappe più affidabile nel lungo termine. Il framework è stato validato su dataset reali. I risultati sperimentali dimostrano la capacità dell’algoritmo di rilevare accuratamente i cambiamenti ambientali e di migliorare progressivamente la consistenza delle mappe attraverso iterazioni successive di aggiornamento, mantenendo al contempo una crescita controllata e un’elevata efficienza computazionale.