Localization is critical for autonomous vehicles to reliably estimate their position and orientation within complex and dynamic environments. This thesis develops a lightweight, computationally efficient localization algorithm with guaranteed convergence, specifically tailored for intersection scenarios. Intersections pose significant challenges due to vehicles approaching from multiple directions and frequent occlusions from surrounding vehicles, complicating observability and localization accuracy. The proposed bearing-based Riccati localization method integrates bearing measurements from known static landmarks and vehicle velocity measurements (linear and angular). The method is validated experimentally using a scaled vehicle platform (SVEA) equipped with a camera and ArUco markers as landmarks, simulating intersection conditions at scale. Scenarios examined include nominal driving conditions, aggressive maneuvers near operational limits, and degraded sensing conditions characterized by sensor inaccuracies and measurement noise. The approach demonstrates high accuracy and robustness, maintaining reliable localization even during dynamic maneuvers and sensor disturbances. This thesis underscores the potential of Riccati localization as a practical and scalable solution for autonomous vehicle localization at intersections. Future work should involve formal analysis of tolerable delays to maintain system stability, exploration of cooperative multi-agent scenarios, and integration with advanced communication infrastructures such as 5G to further enhance real-time localization performance.

Lokalisering är avgörande för autonoma fordon för att pålitligt kunna uppskatta sin position och orientering i komplexa och dynamiska miljöer. Denna avhandling utvecklar en lättviktig och beräkningsmässigt effektiv lokaliseringsalgoritm med garanterad konvergens, specifikt anpassad för kors- ningsscenarier. Korsningar utgör betydande utmaningar på grund av fordon som närmar sig från flera riktningar och frekventa ocklusioner från omgivande fordon, vilket försvårar observerbarhet och lokaliseringsnoggrannhet. Den föreslagna Riccati-baserade lokaliseringsmetoden utnyttjar bärings- mätningar från kända statiska landmärken samt fordonets hastighetsmätningar (linjära och angulära). Metoden valideras experimentellt med hjälp av en skalerad fordonsplattform (SVEA) utrustad med kamera och ArUco-markörer som landmärken, vilket simulerar korsningsförhållanden i mindre skala. Undersökta scenarier inkluderar nominella körförhållanden, aggressiva ma- növrar nära fordonets dynamiska gränser samt försämrade sensorförhållanden präglade av mätfel och brus. Metoden visar hög noggrannhet och robusthet, med pålitlig lokalisering även under dynamiska manövrar och vid sensorstörningar. Avhandlingen belyser potentialen hos Riccati-lokalisering som en praktisk och skalbar lösning för autonom fordonslokalisering i korsningar. Framtida arbete bör innefatta formell analys av tolerabla fördröjningar för att upprätthålla systemets stabilitet, utforskning av kooperativa multiagentlösningar samt integration med avancerad kommunikationsinfrastruktur såsom 5G för att ytterligare förbättra realtidslokaliseringsprestanda.