• Indoor
• Indoor-Outdoor
• nonlinear optimization
• Outdoor
• Pose graph
• Sensor Fusion
• SLAM

La stima in tempo reale della posizione per un veicolo a guida autonoma e il
mapping (i.e SLAM) sono elementi imprescindibili per una navigazione corretta
e sicura in un ambiente sconosciuto. La tipologia di algoritmo adottato dipende
fortemente dai sensori disponibili a bordo, i quali presentano inevitabili limiti
progettuali e condizioni ambientali in cui le misurazioni risultano degradate.
Ciò rende impraticabile l’uso di un singolo algoritmo di localizzazione valido in
ogni scenario.
L’obiettivo di questa tesi è lo sviluppo di un algoritmo di SLAM che per-
metta la localizzazione di veicoli in ambienti indoor, outdoor e misti attraverso
l’impiego della sensor fusion e di metodi di ottimizzazione non lineare. In parti-
colare vengono utilizzati dati provenienti da GNSS, LiDAR e camera. Il sistema
integra le informazioni del GNSS con le odometrie stimate da LiDAR e cam-
era, producendo una stima robusta e indipendente dalle difficoltà operative e
dagli errori dei singoli sensori. Inoltre, durante la fase di ottimizzazione, viene
attribuito un peso dinamico agli ingressi, così da penalizzare automaticamente
i dati degradati.
Le metodologie proposte sono validate su dataset reali. I risultati speri-
mentali dimostrano una robusta localizzazione con un’alta accuratezza anche
in ambienti complessi in cui i dati di almeno un sensore sono degenerati e non
validi.

Simultaneous localization for autonomous vehicles and mapping (i.e., SLAM) are essential components to ensure safe and reliable navigation in unknown environments. The choice of algorithm strongly depends on the sensors available onboard, each of which is subject to inherent design limitations and environmental conditions that may degrade the acquired measurements. This makes it impractical to rely on a single localization algorithm that performs well in every scenario.
The aim of this thesis is the development of a SLAM algorithm capable of localizing vehicles in indoor, outdoor, and hybrid environments through the use of sensor fusion and nonlinear optimization methods. Specifically, data from GNSS, LiDAR, and cameras are employed. The system integrates GNSS information with odometry estimates derived from LiDAR and cameras, yielding a robust position estimate that is independent of operational challenges and single-sensor errors. Furthermore, during the optimization phase, dynamic weighting is applied to the sensor inputs in order to automatically penalize degraded data.
The proposed methodologies have been validated on real-world datasets. Experimental results demonstrate robust localization with high accuracy, even in complex environments where the data from at least one sensor are degraded or invalid.