Tesi di dottorato

Allo scopo di operare autonomamente nel suo ambiente, un robot mobile deve essere in grado di localizzarsi, cioè di stimare la propria posizione ed orientazione rispetto all'ambiente stesso. Se il robot possiede informazioni scarse o nulle su ciò che lo circonda, la localizzazione può divenire un compito particolarmente difficoltoso.
In questa tesi il problema di localizzazione robusta di un robot rispetto ad incertezze sulle feature ambientali `e formulato in maniera stocastica, e viene proposto un approccio basato sul filtro di Kalman esteso (EKF) per l'integrazione di misure acquisite da molti sensori. Si suppone che l'ambiente sia noto soltanto parzialmente, e si considera un metodo probabilistico per la fusione di dati sensoriali finalizzato ad accrescere le conoscenze sull'ambiente. Uno dei robot utilizzati per gli esperimenti `e dotato di sensori con gradi di precisione differenti. Poiché le misure giroscopiche sono molto più affidabili delle altre (letture odometriche e sonar), l'algoritmo di localizzazione da luogo ad un EKF quasi singolare. Questo problema viene affrontato definendo un EKF non singolare di ordine inferiore. La soluzione robusta `e stata implementata e verificata su una carrozzella motorizzata, con un significativo miglioramento nelle prestazioni del modulo di localizzazione del veicolo.
Nell'altra situazione sperimentale `e stata implementata una procedura di fusione sensoriale in grado di validare linee rilevate in un'immagine video; a tale scopo vengono sfruttate feature ambientali estratte da una mappa a griglia di occupazione costruita facendo uso di misure sonar. Si mostra che il metodo di validazione proposto migliora notevolmente le prestazioni della localizzazione rispetto ai risultati ottenuti usando le sole letture sonar.
Dimostriamo che in entrambi i casi l'integrazione di osservazioni acquisite da sensori multipli rende possibile implementare una procedura di localizzazione con una maggiore robustezza rispetto ad incertezze sulle feature ambientali.