The number and the size of sensor networks, e.g., used for monitoring of public places, are steadily increasing, introducing new demands on the algorithms used to process the collected measurements. The straightforward solution is centralised fusion, where all measurements are sent to a common node where all estimation is performed. This can be shown to be optimal, but it is resource intensive, scales poorly, and is sensitive to communication and sensor node failure. The alternative is to perform decentralised fusion, where the computations are spread out in the network. Distributing the computation results in an algorithm that scales better with the size of the network and that can be more robust to hardware failure. The price of decentralisation is that it is more difficult to provide optimal estimates. Hence, a decentralised method needs to be designed to maximise scaling and robustness while minimising the performance loss. This MSc thesis studies tree aspects of the design of decentralised networks: the network topology, communication schemes, and methods to fuse the estimates from different sensor nodes. Results are obtained using simulations of a network consisting of radar sensors, where the quality of the estimates are compared(the root mean square error, RMSE) and the consistency of the estimates (the normalised estimation error squared, NEES). Based on the simulation, it is recommended that a 2-tree network topology should be used, and that estimates should be communicated throughout the network using an algorithm that allows information to propagate. This is achieved by sending information in two steps. The first step is to let the nodes send information to their neighbours with a certain frequency, after which a fusion is performed. The second step is to let the nodes indirectly forward the information they receive by sending the result of the fusion. This second step is not performed every time information is received, but rather at an interval, e.g., every fifth time. Furthermore, 3 sub-optimal methods to fuse possibly correlated estimates are evaluated: Covariance Intersection, Safe Fusion, and Inverse Covariance Intersection. The outcome is to recommend using Inverse Covariance Intersection.

The aim of this thesis work is to investigate the possibility of applying a sensor fusion algorithm with a focus on estimating vehicle dynamic states, mainly the vehicle body accelerations. Modern passenger vehicles have several mechatronic systems such as active safety, comfort, driver assistance etc., which are highly dependant on accurate knowledge of such states. This work focuses on the mechatronic suspension system, which makes use of the body accelerations measurements to control the dynamics of the vehicle body in order to provide an improved driving experience. This work can be split up into two major parts, the first being the identification of available onboard sensors for measuring the vehicle body accelerations. Five different sensor combinations are considered and compared with each other. The next part is to develop a sensor fusion algorithm, in this case, a Kalman Filter (KF) based algorithm, which uses vehicle dynamic modelling knowledge to obtain accurate, reliable and less uncertain estimates of the states. Specifically, an Unscented Kalman Filter (UKF) and Cubature Kalman Filter (CKF) were built and compared with each other. Two different vehicle dynamic models, a vehicle planar dynamic model and a full car suspension model, were implemented to capture both the effects of road disturbances and drivingmanoeuvres on the vehicle body dynamics. Both these fusion algorithms were tested using simulation data and logged data and validated by comparing with an ideal sensing method to measure the body accelerations used currently at Volvo Car Corporation. / Syftet med detta examensarbete är att undersöka möjligheten att tillämpa en sensorfusionsalgoritm med fokus på att uppskatta fordonets dynamiska tillstånd, främst karossens acceleration. Moderna personbilar har flera mekatroniska system som aktiv säkerhet, komfort, förarassistans etc., som är mycket beroende av exakt kunskap om sådana tillstånd. Detta arbete fokuserar på det mekatroniska fjädringssystemet, som använder karossens accelerationsmätningar för att styra fordonets dynamik och för att ge en förbättrad körupplevelse. Detta arbete kan delas upp i två huvuddelar, den första är identifiering av tillgängliga inbyggda sensorer för mätning av fordonets accelerationer. Fem olika sensorkombinationer övervägs och jämförs med varandra. Nästa del är att utveckla en sensorfusionsalgoritm, i detta fall en kalmanfilter baserad algoritm, som använder kunskap om fordonets dynamik för att få exakta, pålitliga och mindre osäkra uppskattningar av tillstånden. Specifikt byggdes en UKF och CKF som jämfördes med varandra. Två olika fordonsdynamiska modeller, en plan dynamisk modell och en full hjulupphängningsmodell, implementerades för att fånga både effekterna av vägstörningar och körmanövrer på fordonets karossdynamik. Båda dessa fusionsalgoritmer testades med hjälp av simuleringsdata och loggade data och validerades genom att jämföra med en idealisk avkänningsmetod för att mäta karossaccelerationerna som används för närvarande på Volvo Car Corporation.

Diese Dissertation befasst sich mit der sensorgeführten Regelung von Industrierobotern zur Konturverfolgung. Beispiele dafür sind das robotergestützte Nähen, Entgraten oder das Auftragen von Dichtmasse entlang von Schweißnähten. Beim Nähen und Entgraten müssen während der Verfolgung der Kontur bestimmte Kontaktkräfte an möglicherweise nachgiebigen Werkstücken eingehalten werden. Dabei ist es in modernen Fertigungsprozessen wichtig, die Bewegung des Roboters mit wenig Einrichtaufwand vorzugeben. Dazu werden Sensorsysteme eingesetzt, die Bildinformationen und Kraftmessungen verarbeiten, um den Roboter mit gewünschter Kontaktkraft entlang sichtbarer Konturen eines Werkstückes zu führen. Der Fokus dieser Arbeit ist die Fusion der Sensordaten, um die Vorteile der einzelnen Sensoren in einer Aufgabe zu vereinen. Es werden Messwerte eines Kraft-Momenten Sensors, einer Kamera, eines Beschleunigungssensors und der kartesischen Position und Orientierung des Roboters verwendet. Zuerst wird die Berechnung der kartesischen Roboterposition untersucht. Es wird ein Beobachter vorgestellt, um unter Verwendung eines Beschleunigungssensors die Präzision des Positionssignales zu erhöhen. Anschließend wird das Kamerasystem untersucht und ein Verfahren vorgestellt, um Geschwindigkeit, Position und Orientierung des robotergeführten Werkzeuges entlang der Kontur vorzugeben. Danach wird auf die Ermittlung von Kontaktkräften eingegangen, wobei die Kompensation von Trägheitskräften mittels Beschleunigungssensoren untersucht wird. Der letzte Abschnitt befasst sich mit der Verbindung von bildgestützter Konturverfolgung und Kraftregelung an nachgiebigen Werkstücken. Durch die Nachgiebigkeit des Werkstückmaterials verformt sich die Kontur bei Kontakt. Durch bildgestützte Konturverfolgung wird eine Anpassung an diese Verformung vorgenommen -- somit besteht über die Verformbarkeit des Werkstückes eine Kopplung zwischen den beiden Regelkreisen. Diese Kopplung wird gelöst, indem auf Basis eines dynamischen Modells der Umgebung eine Kompensation der Werkstückverformung berechnet wird. Die Modellparameter zur Kompensation werden durch online Identifikation ermittelt. / This thesis focuses on the sensor-guided control of industrial robots for contour-following. Examples include the robot-guided sewing, grinding or the application of sealant along weld seams. Grinding and sewing require a certain contact force while following a countour of a workpiece, whereas the worpieces might be compliant. Modern production processes require a fast and simple way to set up the motion of the robot for the required task. Therefore sensor systems are used, which process visual and tactile information to guide the tool at a desired contact force along visible contours of a workpiece. The focus of this work is the fusion of sensor data, used to benefit from the advantages of each of the individual sensors in one control scheme. I combine the measurements of a force-torque sensor, a camera, an acceleration sensor and of the Cartesian position of the robot. First, I introduce details on the calculation of the Cartesian robot position. I present an observer-based structure that uses an acceleration sensor to improve the precision of the robot position signal. Then, I analyze the camera system and present a control structure that adapts the position, orientation and velocity of the robot-guided tool along the contour. Thereafter, I show details of force measurement, whereas I compensate for inertial forces using an acceleration sensor. The last chapter addresses the combination of visual contour-following and force control on compliant workpieces. Under a certain contact force, the workpiece deforms due to its compliance. The position and orientation then is adapted to this deformed contour by visual control -- hence, there is a coupling between force and visual control. This coupling is solved by compensating for workpiece deformation using a dynamic model of the environment. The environmental parameters for compensation are identified online.

<p>Genom att fusionera (sammanföra) data från olika sensorer kan ett resultat uppnås som ger mer än de enskilda sensorerna var för sig. Här utreds vilka sensorer och sensorfusionsmetoder som kan vara aktuella att använda för Scanias adaptiva farthållare (ACC). Den adaptiva farthållaren anpassar det egna fordonets hastighet inte bara till en förinställd hastighet utan även till framförvarande fordons hastighet. Scanias ACC-system använder idag en radar för måldetektering.</p><p>Det finns ett antal algoritmer och arkitekturer som passar för sensorfusionssystem beroende på nivån hos sensordatan och användningsområdet. Minstakvadratmetoder kan användas då data ska matchas mot en fysisk modell, ofta med lågnivådata. När tillgänglig data är på den nivån att den används direkt för att fatta beslut kan sannolikhetsmetoder användas. Intelligent fusion består av kognitiva modeller som avser härma den mänskliga beslutsprocessen. Till detta passar data på hög nivå.</p><p>Två lösningar, för två olika sensoruppsättningar, har tagits fram. Båda lösningarna är uppbyggda av bayesiska nätverk. Det första nätverket fusionerar data från den befintliga radarenheten med data från en kamera som detekterar vägmarkeringar. Resultaten visar att filbyten kan upptäckas tidigare i och med fusionen. Det andra nätverket använder sig av två radarenheter, den ursprungliga samt en likadan enhet till, vilket resulterar i ett bredare synfält. Nätverket avgör vilka mål hos respektive radar som kan anses vara samma matchade mål. Informationen kan användas för att öka redundansen i systemet samt för att upptäcka mål tidigare än förut.</p> / <p>By fusing data from different sensors a result can be achieved that is worth more than the data from each sensor by itself. Which sensors and sensor fusion methods that could be used in Scania's adaptive cruise control system (ACC) is investigated. The ACC system adapts the vehicle's speed not only to a driver decided set speed but also to the speed of preceding vehicles. Scania's ACC system uses a radar for target detection.</p><p>There exists a number of algorithms and architectures fit for use in sensor fusion systems. Which one to use depends on the level of the data to be fused and on the field of application. Least square methods are used when matching data to a physical model, data to be used is often at a low level. When working with data at decision level, probability methods are favored. Another example is intelligent fusion, cognitive methods intending to mimic the human decision process. Suitable data is data at a high level.</p><p>Two solutions, for two different sensor sets, are proposed. Both solutions are made out of Bayesian networks. The first one fuses data from the existing radar unit with data from a camera which detects lane markings. The results show that lane changes can be detected earlier thanks to the fusion. The second network uses two radar sensors of the same kind as the first, resulting in a wider field of view. The network decides which ones of each radars targets that are the same matching targets. This information could be used to increase the redundancy of the system and to detect targets earlier.</p>

This thesis is concerned with development of a navigation algorithm primarily for the aircraft fighter SAAB JAS 39 Gripen, in swarms of other units. The algorithm uses information from conventional navigation systems and additional information from a radio data link as aiding information, relative range measurements. As the GPS can get jammed, this group tracking solution can provide an increased navigation performance in these conditions. For simplicity, simplified characteristics are used in the simulations where simple generated trajectories and measurements are used. This measurement information can then be fused by using filter theory applied from the sensor fusionarea with statistical approaches. By using the radio data link and the external information sources, i.e. other aircraft and different types of landmarks with often good performance, navigation is aided when the GPS is not usable, at e.g. hostile GPS conditions. A number of scenarios with operative sense of reality were simulated for verifying and studying these conditions, to give results with conclusions. / Det här examensarbetet syftar till utveckling av en algoritm för navigering, primärt för stridsflygplanet SAAB JAS 39 Gripen, i svärmar av andra enheter. Algoritmen använder information från konventionella navigeringssystem och ytterligare information från en radiodatalänk som ger understödjande information, relativa avståndsmätningar. Då den förlitade GPS:en kan störas ut, kan denna gruppspårande lösning öka navigeringsprestandan i dessa förhållanden. För enkelhetens skull, används förenklade karaktäristiker i simuleringarna där enkla genererade trajektorier och mätningar används. Denna mätinformation kan sedan ihopviktas genom att använda filterteori från statistisk sensorfusion. Genom att använda radiodatalänkar och den tillförda informationen från externa informationskällor, således andra flygplan och olika typer av landmärken som väldigt ofta har god prestanda, är navigeringen understödd när GPS inte är användbar, t.ex. i GPS-fientliga miljöer. Ett antal scenarion med operativ verklighetsanknytning simulerades för att verifiera och studera dessa förhållanden, för att ge resultat med slutsatser. / © Daniel Magnusson.

<p>The aim of the Master’s Thesis work is to study and develop algorithms for autonomous travel of a UGV (Unmanned Ground Vehicle). A vehicle for the mounting of sensors has been constructed in order to perform the work. Since the UGV is to be used outdoor in urban areas, GPS can be used. To improve precision and robustness, inertial navigation is used in addition to GPS, since GPS reception is likely to be diminished in such areas. The sensors used for navigation are consequently GPS, magnetometers, accelerometers, gyroscopes, tachometers and ultra sonic sensors measuring distance to be used in detection of obstacles. The system has been implemented in Matlab. Two alternative methods of navigation with sensor fusion have been developed; one is a decentralized method with Kalman filtering using an error model and the other is a centralized particle filter using an all-embracing model of the vehicle. The two methods have been evaluated and compared. Test results show that the two methods perform equivalently.</p><p>The autonomous travel is undertaken between predetermined waypoints. In order to steer the vehicle a PID-controller based on the error between heading and its reference value is used. The computation of the reference value is based on position and heading in comparison to the desired path. The system has been tested using different routes and the results show an evident improvement of the precision in navigation compared to using only GPS-data. This holds for both navigation methods. Simulation of collision avoidance using virtual force fields shows satisfying results as well as terrain navigation with coordinate map referencing.</p> / <p>Examensarbetet är en studie i utveckling av algoritmer för autonom förflyttning av en UGV (eng Unmanned Ground Vehicle). För ändamålet har en farkost konstruerats där budgetsensorer för navigering används. Farkosten är tänkt att färdas utomhus i tätbebyggt område och GPS används. För förbättring av noggrannhet och robusthet vid dålig GPS-mottagning används även sensorer för tröghetsnavigering vilket här innebär magnetometrar, accelerometrar, gyron och tachometrar. För hinderdetektering finns avståndsmätande ultraljudssonar. Systemet som tagits fram har implementerats i realtid i Matlab. Två olika navigeringsmetoder med sensorfusion har utprovats; en decentraliserad variant med kalmanfilter som är uppbyggd kring felmodeller och en centraliserad variant med ett partikelfilter som använder en helhetsmodell för farkosten. De båda navigeringsmetoderna har utvärderats och jämförts. Resultat visar att de båda metoderna presterar likvärdigt.</p><p>Den autonoma förflyttningen utförs mellan förutbestämda brytpunkter. För att styra farkosten har en PID-regulator baserad på felet mellan kurs och börvärde använts. Börvärdet på kurs baseras på nuvarande position och riktning relativt den önskade färdvägen. Olika körsituationer har testats och resultaten visar en markant förbättring av navigeringsprecisionen jämfört med endast GPS-mätningar för både kalman- och partikelfilter. Simuleringar på vektorfältsstyrning med virtuella kraftfält för att undvika hinder har utförts med goda resultat liksom simuleringar av kartreferenspositionering.</p>

The goal of this project was to make a shirt with three embedded IMU sensors (Inertial Measurement Unit) that can measure a person’s movements throughout an entire workday. This can provide information about a person’s daily routine movements and aid in finding activities which can lead to work-related injuries in order to prevent them. The objective was hence to construct a sensor fusion framework that could retrieve the measurements from these three sensors and to create an estimate of the human body orientation and to estimate the angular movements of the arms. This was done using an extended Kalman filter which uses the accelerometer and magnetometer values to retrieve the direction of gravity and north respectively, thus providing a coordinate system that can be trusted in the long term. Since this method is sensitive to quick movements and magnetic disturbance, gyroscope measurements were used to help pick up quick movements. The gyroscope measurements need to be integrated in order to get the angle, which means that we get accumulated errors. This problem is reduced by the fact that we retrieve a correct long-term reference without accumulated errors from the accelerometer and magnetometer measurements. The Kalman filter estimates three quaternions describing the orientation of the upper body and the two arms. These quaternions were then translated into Euler angles in order to get a meaningful description of the orientations. The measurements were stored on a memory card or broadcast on both the local net and the Internet. These data were either used offline in Matlab or shown in real-time in the program Unity 3D. In the latter case the user could see that a movement gives rise to a corresponding movement on a skeleton model on the screen.

The aim of the Master’s Thesis work is to study and develop algorithms for autonomous travel of a UGV (Unmanned Ground Vehicle). A vehicle for the mounting of sensors has been constructed in order to perform the work. Since the UGV is to be used outdoor in urban areas, GPS can be used. To improve precision and robustness, inertial navigation is used in addition to GPS, since GPS reception is likely to be diminished in such areas. The sensors used for navigation are consequently GPS, magnetometers, accelerometers, gyroscopes, tachometers and ultra sonic sensors measuring distance to be used in detection of obstacles. The system has been implemented in Matlab. Two alternative methods of navigation with sensor fusion have been developed; one is a decentralized method with Kalman filtering using an error model and the other is a centralized particle filter using an all-embracing model of the vehicle. The two methods have been evaluated and compared. Test results show that the two methods perform equivalently. The autonomous travel is undertaken between predetermined waypoints. In order to steer the vehicle a PID-controller based on the error between heading and its reference value is used. The computation of the reference value is based on position and heading in comparison to the desired path. The system has been tested using different routes and the results show an evident improvement of the precision in navigation compared to using only GPS-data. This holds for both navigation methods. Simulation of collision avoidance using virtual force fields shows satisfying results as well as terrain navigation with coordinate map referencing. / Examensarbetet är en studie i utveckling av algoritmer för autonom förflyttning av en UGV (eng Unmanned Ground Vehicle). För ändamålet har en farkost konstruerats där budgetsensorer för navigering används. Farkosten är tänkt att färdas utomhus i tätbebyggt område och GPS används. För förbättring av noggrannhet och robusthet vid dålig GPS-mottagning används även sensorer för tröghetsnavigering vilket här innebär magnetometrar, accelerometrar, gyron och tachometrar. För hinderdetektering finns avståndsmätande ultraljudssonar. Systemet som tagits fram har implementerats i realtid i Matlab. Två olika navigeringsmetoder med sensorfusion har utprovats; en decentraliserad variant med kalmanfilter som är uppbyggd kring felmodeller och en centraliserad variant med ett partikelfilter som använder en helhetsmodell för farkosten. De båda navigeringsmetoderna har utvärderats och jämförts. Resultat visar att de båda metoderna presterar likvärdigt. Den autonoma förflyttningen utförs mellan förutbestämda brytpunkter. För att styra farkosten har en PID-regulator baserad på felet mellan kurs och börvärde använts. Börvärdet på kurs baseras på nuvarande position och riktning relativt den önskade färdvägen. Olika körsituationer har testats och resultaten visar en markant förbättring av navigeringsprecisionen jämfört med endast GPS-mätningar för både kalman- och partikelfilter. Simuleringar på vektorfältsstyrning med virtuella kraftfält för att undvika hinder har utförts med goda resultat liksom simuleringar av kartreferenspositionering.

Genom att fusionera (sammanföra) data från olika sensorer kan ett resultat uppnås som ger mer än de enskilda sensorerna var för sig. Här utreds vilka sensorer och sensorfusionsmetoder som kan vara aktuella att använda för Scanias adaptiva farthållare (ACC). Den adaptiva farthållaren anpassar det egna fordonets hastighet inte bara till en förinställd hastighet utan även till framförvarande fordons hastighet. Scanias ACC-system använder idag en radar för måldetektering. Det finns ett antal algoritmer och arkitekturer som passar för sensorfusionssystem beroende på nivån hos sensordatan och användningsområdet. Minstakvadratmetoder kan användas då data ska matchas mot en fysisk modell, ofta med lågnivådata. När tillgänglig data är på den nivån att den används direkt för att fatta beslut kan sannolikhetsmetoder användas. Intelligent fusion består av kognitiva modeller som avser härma den mänskliga beslutsprocessen. Till detta passar data på hög nivå. Två lösningar, för två olika sensoruppsättningar, har tagits fram. Båda lösningarna är uppbyggda av bayesiska nätverk. Det första nätverket fusionerar data från den befintliga radarenheten med data från en kamera som detekterar vägmarkeringar. Resultaten visar att filbyten kan upptäckas tidigare i och med fusionen. Det andra nätverket använder sig av två radarenheter, den ursprungliga samt en likadan enhet till, vilket resulterar i ett bredare synfält. Nätverket avgör vilka mål hos respektive radar som kan anses vara samma matchade mål. Informationen kan användas för att öka redundansen i systemet samt för att upptäcka mål tidigare än förut. / By fusing data from different sensors a result can be achieved that is worth more than the data from each sensor by itself. Which sensors and sensor fusion methods that could be used in Scania's adaptive cruise control system (ACC) is investigated. The ACC system adapts the vehicle's speed not only to a driver decided set speed but also to the speed of preceding vehicles. Scania's ACC system uses a radar for target detection. There exists a number of algorithms and architectures fit for use in sensor fusion systems. Which one to use depends on the level of the data to be fused and on the field of application. Least square methods are used when matching data to a physical model, data to be used is often at a low level. When working with data at decision level, probability methods are favored. Another example is intelligent fusion, cognitive methods intending to mimic the human decision process. Suitable data is data at a high level. Two solutions, for two different sensor sets, are proposed. Both solutions are made out of Bayesian networks. The first one fuses data from the existing radar unit with data from a camera which detects lane markings. The results show that lane changes can be detected earlier thanks to the fusion. The second network uses two radar sensors of the same kind as the first, resulting in a wider field of view. The network decides which ones of each radars targets that are the same matching targets. This information could be used to increase the redundancy of the system and to detect targets earlier.

Autonomous lawn mowers have been available to consumers for more than 20 years. During this period, advancements in embedded device computations and sensor performance have led to improvements in the reliability of these robots. Despite recent improvements, the opportunity for further innovation of such systems remains significant. Currently, many autonomous robots rely on electric wires installed underground to delimit the boundaries of the lawn. Such a configuration is simple, but more effective autonomous solutions are available. This thesis focuses on the analysis and related implementation of both localisation and mapping features for autonomous lawn mowers. Heterogeneous sensors and their different configurations are investigated and an Adaptive Extended Kalman Filter is proposed to fuse their measurements. This technique improves the pose estimation of the autonomous lawn mower, which is then exploited by the mapping module. Based on Bayesian’s inference, the mapping module updates the knowledge of the map based on direct interactions with the environment. The final results highlight the importance of precise localisation as the bottleneck for the development of new features. The improved pose estimation enables the employment of a virtual boundary, but it is not accurate enough to precisely map the presence of objects in the environment. Advanced features which could be developed from the proposed configuration are related to deterministic coverage algorithms and the interaction with lawn objects. / Autonoma gräsklippare har varit tillgängliga för konsumenter i mer än 20 år. Under denna period har framsteg inom beräkningar av inbyggda enheter och sensorprestanda lett till förbättringar av tillförlitligheten hos dessa robotar. Trots de senaste förbättringarna är möjligheten till innovation av sådana system fortfarande betydande. Autonoma robotar har fortfarande begränsade funktioner. De förlitar sig på elektriska ledningar installerade under jord för att avgränsa gräsmattans gränser, som de reagerar på utan resonemang. En sådan konfiguration anses nu vara föråldrad och mer effektiva autonoma lösningar finns tillgängliga. Den här avhandlingen fokuserar på att använda för närvarande tillgängliga tekniker för att designa de kärnmoduler som behövs för att förbättra kapaciteten hos dessa system. Analysen och relaterad implementering av både lokaliserings och kartläggningsfunktioner för autonoma gräsklippare presenteras. Heterogena sensorer och deras olika konfigurationer undersöks och ett Adaptive Extended Kalman Filter föreslås för att smälta samman deras mätningar. Denna teknik förbättrar poseuppskattningen av den autonoma gräsklipparen, som sedan utnyttjas av kartläggningsmodulen. Det valda tillvägagångssättet för den senare, baserat på Bayesians slutledning, lyckas uppdatera kunskapen om kartan baserat på direkta interaktioner med omgivningen. De slutliga resultaten belyser vikten av exakt lokalisering som den verkliga flaskhalsen för utvecklingen av nya funktioner. Den förbättrade positionsuppskattningen gör det möjligt att definiera en virtuell gräns. Definitionen inte tillräckligt korrekt för att korrekt kartlägga förekomsten av objekt i miljön Exempel på avancerade funktioner från den föreslagna konfigurationen är implementeringen av deterministiska täckningsalgoritmer och interaktionen med gräsmattaobjekt. / I tosaerba autonomi sono disponibili per i consumatori da oltre 20 anni. Durante questo periodo, i progressi nei calcoli dei dispositivi integrati e nelle prestazioni dei sensori hanno portato a miglioramenti nell’affidabilità di questi robot. Nonostante i recenti miglioramenti, l’opportunità di innovazione di tali sistemi rimane significativa. I robot autonomi hanno ancora funzionalità limitate. Si affidano a fili elettrici installati sottoterra per delimitare i confini del prato, a cui reagiscono senza ragionamento. Tale configurazione è ormai considerata obsoleta e sono disponibili soluzioni autonome più efficaci. Questa tesi si concentra sull’utilizzo delle tecniche attualmente disponibili per progettare i moduli principali necessari per far avanzare le capacità di questi sistemi. Vengono presentate l’analisi e la relativa implementazione delle funzionalità di localizzazione e mappatura per i tosaerba autonomi. Vengono studiati sensori eterogenei e le loro diverse configurazioni e viene proposto un filtro di Kalman adattivo esteso per fondere le loro misurazioni. Questa tecnica migliora la stima della posa del rasaerba autonomo, che viene poi sfruttata dal modulo di mappatura. L’approccio scelto per quest’ultimo, basato sull’inferenza bayesiana, riesce ad aggiornare la conoscenza della mappa basata su interazioni dirette con l’ambiente. I risultati finali evidenziano l’importanza di una localizzazione precisa come vero collo di bottiglia per lo sviluppo di nuove funzionalità. La stima della posa migliorata consente la definizione di un confine virtuale. La definizione non è sufficientemente precisa per mappare correttamente la presenza di oggetti nell’ambiente Esempi di funzionalità avanzate a partire dalla configurazione proposta sono l’implementazione di algoritmi di copertura deterministici e l’interazione con gli oggetti del prato.