In recent years, robotics has undergone remarkable advancements, expanding its applications from hazardous industrial environments to everyday tasks. A critical aspect of indoor mobile robots is accurate localization, essential for reliable task execution in unpredictable surroundings. This thesis addresses challenges stemming from unreliable lidar measurements and the introduction of new objects in the environment, focusing on enhancing the localization capabilities of indoor mobile robots. The proposed method introduces Positional Feature Influenced Covariance Estimation (PFICE) to enhance the Extended Kalman Filter (EKF) localization system. PFICE-Enhanced EKF dynamically adjusts measurement uncertainty based on real-time lidar scan measurements. Unlike traditional methods that assume fixed measurement uncertainties, PFICE adapts to current environmental conditions and utilizes prior knowledge from a point cloud map. This adaptive approach significantly improves localization accuracy and robustness, particularly in scenarios involving sudden movements or environmental changes. The method employs feature extraction techniques to derive structured feature vectors from raw lidar range measurements. These features are then compared with a pre-computed feature map of the environment using kernel functions, guiding covariance estimation within the EKF framework. Evaluation against a standard method across various scenarios demon- strated superior performance of the PFICE-Enhanced EKF localization system. It achieved accurate estimations in 18 out of 28 test cases, outperforming the reference method, which succeeded in only 10 cases under similar conditions. The PFICE-Enhanced EKF effectively mitigated the impact of sudden movements and environmental changes caused by the introduction of new objects, thereby enhancing localization reliability and performance. While promising, the study acknowledges limitations such as testing in a single environment due to the lack of access to ground truth data in different environments. Further research in diverse settings is essential to validate and generalize these findings, ensuring broader applicability of the PFICE- Enhanced EKF localization system in real-world applications.

Under de senaste åren har robotik genomgått anmärkningsvärda framsteg och utökat sina applikationer från farliga industriella miljöer till vardagliga upp- gifter. En kritisk aspekt av mobila inomhusrobotar är noggrann lokalisering, avgörande för tillförlitlig uppgiftsutförande i oförutsägbara omgivningar. Den här avhandlingen tar upp utmaningar som härrör från opålitliga lidarmätningar och introduktionen av nya objekt i miljön, med fokus på att förbättra lokaliseringsförmågan hos mobila inomhusrobotar. Den föreslagna metoden introducerar Positional Feature Influenced Covariance Estimation (PFICE) för att förbättra lokaliseringssystemet för Extended Kalman Filter (EKF). PFICE-Enhanced EKF justerar mätosäkerhe- ten dynamiskt baserat på mätningar av lidarskanning i realtid. Till skillnad från traditionella metoder som förutsätter fasta mätosäkerheter, anpassar PFICE sig till aktuella miljöförhållanden och utnyttjar förkunskaper från en punktmolnkarta. Detta adaptiva tillvägagångssätt förbättrar lokaliserings- noggrannheten och robustheten avsevärt, särskilt i scenarier som involverar plötsliga rörelser eller miljöförändringar. Metoden använder särdragsextraktionstekniker för att härleda struktu- rerade särdragsvektorer från råa lidar-intervallsmätningar. Dessa funktioner jämförs sedan med en förberäknad funktionskarta över miljön med hjälp av kärnfunktioner, vägledande kovariansuppskattning inom EKF-ramverket. Utvärdering mot en standardmetod över olika scenarier visade överlägsen prestanda hos PFICE-Enhanced EKF-lokaliseringssystemet. Den uppnådde noggranna uppskattningar i 18 av 28 testfall, överträffade referensmetoden, som bara lyckades i 10 fall under liknande förhållanden. Den PFICE- förbättrade EKF mildrade effektivt effekterna av plötsliga rörelser och miljöförändringar orsakade av införandet av nya objekt, och förbättrade därigenom lokaliseringens tillförlitlighet och prestanda. Även om den är lovande, erkänner studien begränsningar som att testa i en enda miljö på grund av bristen på tillgång till markens sanningsdata i olika miljöer. Ytterligare forskning i olika miljöer är avgörande för att validera och generalisera dessa resultat, vilket säkerställer en bredare tillämpning av PFICE-Enhanced EKF-lokaliseringssystemet i verkliga tillämpningar.