ETD

• motion planning
• risk-aware navigation
• robotics

Robots operating in dynamic environments must continuously make decisions throughout task execution, across a hierarchy that ranges from high-level goal selection and route planning to low-level control actions. Real-world environments are uncertain: the time required to reach a location may vary, the position of objects may be unknown, and sensor measurements may be noisy or incomplete. A robot’s knowledge is never perfectly accurate.
According to risk management, a risk can be defined as an uncertain event that, if it occurs, may compromise the task success. In robotic navigation, risk therefore extends beyond the possibility of collisions and also includes factors such as delays, inefficient trajectories, or failures to complete the task within required time limits. Identifying and explicitly accounting for these risk factors at every decision-making stage is essential to improve safe and efficient robot deployment in real-world environments.

This thesis explores various techniques for managing risk across the task execution pipeline, classifying them based on their expressivity in representing risk factors and their level of mathematical formality. Rather than proposing a single unified methodology, I provide tailored strategies for addressing the risk factors that are most critical at each step of the task execution. For robotic manipulators, the research focuses on risk minimization during motion planning by leveraging the expressive power of fuzzy logic and genetic algorithms. For mobile robots, the thesis addresses the full decision-making stack, from high-level task planning to local execution. At the task level, a framework based on co-safe Linear Temporal Logic provides probabilistic timing guarantees under object location uncertainty. At the routing level, a Markov Decision Process formulation enables a tractable version of a stochastic shortest path with recourse that minimizes the risk factor of encountering humans during motion execution in warehouse environments. Finally, at the control level, a local planning method based on heterogeneous probabilistic risk maps enables safe navigation in dynamic settings.

I robot che operano in ambienti dinamici devono continuamente prendere decisioni durante l’intero processo di esecuzione del task assegnato, in una gerarchia decisionale che spazia dal decidere i punti da raggiungere per conseguire il task e dalla pianificazione del percorso fino alle azioni di controllo a basso livello. Secondo lo stato dell'arte in risk-management, un rischio può essere definito come un evento incerto che, qualora si verifichi, può compromettere il successo del task. L’identificazione esplicita e l’integrazione dei fattori di rischio in ogni fase del processo decisionale risultano pertanto essenziali per migliorare sia la sicurezza sia le performance dei sistemi robotici.

Questa tesi esplora diverse tecniche per la gestione del rischio lungo la pipeline di esecuzione del task, classificandole in base alla loro espressività nella rappresentazione dei fattori di rischio e al grado di formalismo matematico. Invece che proporre un’unica metodologia unificata, il lavoro presenta strategie mirate per affrontare i fattori di rischio più critici nelle diverse fasi dell’esecuzione. Per quanto riguarda i manipolatori robotici, la ricerca si concentra sulla minimizzazione del rischio durante la pianificazione del moto (motion planning), sfruttando la capacità espressiva della logica fuzzy e degli algoritmi genetici. Per i robot mobili, la tesi analizza l’intero stack decisionale, dalla pianificazione del compito ad alto livello fino all’esecuzione locale. A livello di task, un framework basato sulla logica temporale lineare co-safe fornisce garanzie temporali probabilistiche in presenza di incertezza sulla posizione degli oggetti. A livello di routing, una formulazione basata sui Processi Decisionali di Markov (MDP) consente una versione trattabile di un problema di cammino minimo stocastico con ricorso (stochastic shortest path with recourse), con l’obiettivo di minimizzare il rischio dovuto agli incontri con esseri umani durante il moto in ambienti tipo magazzini. Infine, a livello di controllo, un metodo di pianificazione locale basato su mappe di rischio probabilistiche eterogenee consente una navigazione sicura in contesti dinamici.