Autonomous agents, such as robots and automated vehicles, rely on their ability to perceive and interpret their environment to make informed decisions and execute actions that align with their goals. A key aspect of this capability is situation awareness, which involves understanding the current state of the environment and predicting its future evolution. Traditional autonomous systems address perception and prediction as separate tasks within a sequential pipeline, where raw sensor data is processed into increasingly abstract representations. While this structured approach has driven significant advancements, it remains constrained by sensor limitations, including occlusions, measurement uncertainty, and adverse weather conditions.

This thesis investigates how predictions from past observations can enhance perception algorithms, enabling agents to infer missing information, reduce uncertainty, and better anticipate changes. To support this integration, alternative environment representations are explored that allow feedback between prediction and perception while capturing uncertainty. This tighter coupling improves decision-making, particularly in complex and partially observable environments.

The contributions include: (1) a reachability-based reasoning framework for tracking possible hidden obstacles; (2) its extension to handle delayed and partial external data; (3) a probabilistic mapping method, Transitional Grid Maps (TGM), that jointly models static and dynamic occupancy; and (4) an extension of TGM to mitigate weather-induced sensor noise.

The proposed methods are evaluated in simulated and real scenarios where traditional perception pipelines struggle, such as occluded, highly dynamic and noisy environments. By bridging the gap between perception and prediction, this work contributes to the development of more robust and intelligent autonomous systems.

Autonoma agenter, såsom robotar och självkörande fordon, är beroende av sin förmåga att uppfatta och tolka omgivningen för att fatta välgrundade beslut och utföra handlingar i linje med sina mål. En viktig del av denna förmåga är situationsmedvetenhet, som innebär att förstå miljöns nuvarande tillstånd och förutse dess framtida utveckling. Traditionella autonoma system hanterar perception och prediktion som separata steg i en sekventiell kedja, där sensordata bearbetas till alltmer abstrakta representationer. Även om detta strukturerade tillvägagångssätt lett till stora framsteg, begränsas det av sensorbrister, inklusive skymda objekt, mätosäkerhet och ogynnsamt väder.

Denna avhandling undersöker hur prediktioner från tidigare observationer kan förbättra perceptionsalgoritmer, så att agenter kan sluta sig till saknad information, minska osäkerhet och bättre förutse förändringar. För att möjliggöra denna integration utforskas alternativa omgivningsrepresentationer som ger återkoppling mellan prediktion och perception, samtidigt som osäkerheter kan hanteras. Denna tätare koppling förbättrar beslutsfattandet, särskilt i komplexa och delvis observerbara miljöer.

Avhandlingens huvudsakliga bidrag inkluderar: (1) ett reso\-nemangs\-ramverk baserat på nåbarhet för att spåra möjliga dolda hinder; (2) dess utvidgning för att hantera fördröjd och ofullständig extern data; (3) en probabilistisk kartmetod, Transitional Grid Maps (TGM), som gemensamt modellerar statisk och dynamisk ockupation; och, (4) utvidgning av TGM för att förbättrad hantering av väderrelaterat sensorbrus.

Metoderna utvärderas i scenarier där traditionella perceptionskedjor har problem, exempelvis i skymda, mycket dynamiska och brusiga miljöer. Genom att överbrygga klyftan mellan perception och prediktion bidrar detta arbete till utvecklingen av robustare och intelligentare autonoma system.