Robust localization for heavy-duty offroad vehicles is fundamentally limited by the complementary failure modes of individual sensors: visual-inertial odometry loses tracking under feature scarcity, LiDAR odometry becomes geometrically degenerate in self-similar or unstructured environments, and GNSS is subject to intermittent outages. This thesis presents a real-time multi-modal localization system for an offroad platform that loosely couples visual-inertial odometry, LiDAR odometry, and RTK-GNSS within a fixed-lag factor-graph smoother built on GTSAM. Robustness to modality-specific degeneracy is achieved online through robust cost functions, a sensor-health state machine, segmentation-based evaluation of visual odometry over water, and adaptive covariance inflation. The system is evaluated through real-world field tests spanning structured, unstructured, and degenerate environments, using comparison against ground truth where available and qualitative assessment otherwise. The results demonstrate that a loosely-coupled factor graph with online degeneracy handling yields accurate and drift-resilient localization in conditions where single-sensor and naively-fused estimators fail.
La localizzazione robusta per veicoli fuoristrada pesanti è fondamentalmente limitata dalle modalità di guasto complementari dei singoli sensori: l'odometria visivo-inerziale perde il tracciamento in condizioni di scarsità di feature, l'odometria LiDAR diventa geometricamente degenere in ambienti auto-simili o non strutturati, e il GNSS è soggetto a interruzioni intermittenti. Questa tesi presenta un sistema di localizzazione multi-modale in tempo reale per una piattaforma fuoristrada che accoppia in modo lasco (loosely coupled) odometria visivo-inerziale, odometria LiDAR e RTK-GNSS all'interno di uno smoother a grafo dei fattori con finestra a ritardo fisso (fixed-lag), realizzato su GTSAM. La robustezza alla degenerazione specifica di ciascuna modalità è ottenuta online tramite funzioni di costo robuste, una macchina a stati per il monitoraggio dello stato di salute dei sensori, una valutazione basata su segmentazione dell'odometria visiva sull'acqua e un'inflazione adattiva della covarianza. Il sistema è valutato mediante prove sul campo in scenari reali che comprendono ambienti strutturati, non strutturati e degeneri, ricorrendo al confronto con dati di riferimento (ground truth) ove disponibili e a una valutazione qualitativa negli altri casi. I risultati dimostrano che un grafo dei fattori accoppiato in modo lasco, con gestione online della degenerazione, fornisce una localizzazione accurata e resistente alla deriva in condizioni in cui gli stimatori a singolo sensore o basati su fusione ingenua falliscono.
Localizzazione multimodale per un veicolo fuori strada pesante
ADAMI, FEDERICO
2025/2026
Abstract
Robust localization for heavy-duty offroad vehicles is fundamentally limited by the complementary failure modes of individual sensors: visual-inertial odometry loses tracking under feature scarcity, LiDAR odometry becomes geometrically degenerate in self-similar or unstructured environments, and GNSS is subject to intermittent outages. This thesis presents a real-time multi-modal localization system for an offroad platform that loosely couples visual-inertial odometry, LiDAR odometry, and RTK-GNSS within a fixed-lag factor-graph smoother built on GTSAM. Robustness to modality-specific degeneracy is achieved online through robust cost functions, a sensor-health state machine, segmentation-based evaluation of visual odometry over water, and adaptive covariance inflation. The system is evaluated through real-world field tests spanning structured, unstructured, and degenerate environments, using comparison against ground truth where available and qualitative assessment otherwise. The results demonstrate that a loosely-coupled factor graph with online degeneracy handling yields accurate and drift-resilient localization in conditions where single-sensor and naively-fused estimators fail.| File | Dimensione | Formato | |
|---|---|---|---|
|
adami_federico.pdf
embargo fino al 09/10/2027
Dimensione
37.73 MB
Formato
Adobe PDF
|
37.73 MB | Adobe PDF |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/116662