ETD

• dynamic
• lidar
• point cloud
• SLAM
• voxel

Simultaneous Localization and Mapping (SLAM) systems are a key enabling technology for
autonomous robot navigation, yet most conventional algorithms assume a static environment.
In real-world scenarios — urban streets, industrial warehouses, and shared human–robot
workspaces — moving objects such as pedestrians, vehicles, and carts introduce substantial
noise into LiDAR point clouds, degrading both map quality and pose estimation accuracy.

This thesis addresses the problem of dynamic object rejection in 3D LiDAR-based SLAM
pipelines. Two complementary rejection methods are proposed and integrated into GLIM, a
modular 3D range-inertial SLAM framework: (1) a voxel-based approach that combines spatial
voxelization, iterative RANSAC-based wall and floor filtering, density-based cluster
extraction, temporal cluster tracking with hysteresis, and a three-tier adaptive voxel
scoring mechanism driven by inter-frame centroid displacement; and (2) a bounding-box
rejection method that removes all points falling inside 3D detections received from external
perception modules via ROS~2 topics.

A purpose-built simulator for dynamic environments is also presented, enabling reproducible
testing with ground-truth labels. Experimental validation in both simulated and real-world
settings demonstrates that the proposed voxel-based method significantly reduces dynamic
artifacts in the reconstructed map and improves odometry convergence compared to the
unfiltered baseline.

I sistemi di Simultaneous Localization and Mapping (SLAM) costituiscono una tecnologia
abilitante fondamentale per la navigazione autonoma dei robot, tuttavia la maggior parte degli
algoritmi convenzionali assume un ambiente statico. Negli scenari reali — strade urbane,
magazzini industriali e ambienti di lavoro condivisi tra uomini e robot — oggetti in movimento
come pedoni, veicoli e carrelli introducono rumore significativo nelle nuvole di punti LiDAR,
degradando sia la qualità della mappa che l'accuratezza della stima della posa.

Questa tesi affronta il problema della rimozione degli oggetti dinamici nelle pipeline SLAM
3D basate su LiDAR. Vengono proposti due metodi di filtraggio complementari, integrati in
GLIM, un framework SLAM range-inerziale 3D modulare: (1) un approccio voxel-based che
combina voxelizzazione spaziale, filtraggio di pareti e pavimento tramite RANSAC iterativo,
estrazione di cluster con algoritmo density-based, tracking temporale dei cluster con isteresi,
e un meccanismo di scoring adattivo a tre livelli basato sullo spostamento del centroide tra
frame consecutivi; (2) un metodo di filtraggio tramite bounding box che elimina tutti i punti
interni a rilevazioni 3D ricevute da moduli di percezione esterni via ROS~2.

Viene inoltre presentato un simulatore dedicato per ambienti dinamici, che consente test
riproducibili con annotazioni ground-truth. La validazione sperimentale in ambienti simulati e
reali dimostra che il metodo voxel-based proposto riduce significativamente gli artefatti
dinamici nella mappa ricostruita e migliora la convergenza dell'odometria rispetto alla
baseline non filtrata.