The efficient coordination and collaboration of autonomous agents are critical for achieving complex tasks in various industrial and research applications. In this study, we focus on recurring tasks, typical in agronomic applications, where tasks need to be executed repeatedly over an indefinite horizon. We formally specify such tasks using Linear Temporal Logic (LTL), for planning and coordination of multi-agent systems. We develop a software package for multi-agent planning and coordination with a focus on precision agriculture, which can straightforwardly be extended to a wider range of multi-robot control applications. The main objective of the thesis is to develop a planning strategy that enables agents to execute tasks collaboratively, ensuring both reliability and reducing computational complexity compared to previous approaches. To this end, we adapt a bottom-up approach to motion and task coordination that includes an offline plan synthesis and an online coordination scheme based on real-time exchange of request, reply, and confirmation messages. The offline synthesis generates an initial plan, while the online scheme dynamically adjusts it to accommodate multi-agent collaboration. Additionally, to address delays that may occur due to actions taking longer than anticipated, we propose a synchronization mechanism. This mechanism ensures that agents can initiate collaborative actions simultaneously, thus maintaining coordination despite the potential action delays introduced in the experimental scenario. Furthermore, we design a Model Predictive Control (MPC) controller with collision avoidance capabilities to guarantee safe and efficient motion of agents within the workspace. Both the planning strategy and the MPC controller are implemented in Python and Robot Operating System 2 (ROS2) allowing deployment on a wide range of compatible robotic platforms. To validate the effectiveness of our framework, we conduct extensive tests in various scenarios, including controlled simulations in ROS2 and practical field experiments involving a team of five robots, specifically 2 Turtlebots and 3 Hebi Rosies with manipulation capabilities. The results demonstrated a significant reduction in computational complexity compared to previous methods, and superior adaptability to various experimental setups.

Effektiv koordinering och samarbete av autonoma agenter är kritiskt för utförande av komplexa uppgifter i olika industriella och forskningsapplikationer. I denna studie fokuserar vi på återkommande uppgifter, typiska för agronomiska tillämpningar, där uppgifter behöver utföras upprepade gånger över en obestämd tidshorisont. Vi specificerar formellt sådana uppgifter med Linjär Temporal Logik (LTL) för planering och koordinering av multiagentsystem. Vi utvecklar ett mjukvarupaket för multiagentplanering och -koordinering med fokus på precisionsjordbruk, som enkelt kan utökas till ett brett spektrum av multi-robotregleringsapplikationer. Avhandlingens huvudmål är att utveckla en planeringsstrategi som möjliggör för agenter att utföra uppgifter i samarbete, vilket säkerställer både pålitlighet och minskad beräkningskomplexitet jämfört med tidigare tillvägagångssätt. För detta ändamål anpassar oss vi ett bottom-up-tillvägagångssätt för rörelseoch uppgiftskoordinering som inkluderar en offline plansyntes och ett online koordineringsschema baserat på realtidsutbyte av begärnings-, svarsoch bekräftelsemeddelanden. Offline syntesen genererar en initial plan medan onlineschemat dynamiskt justerar den för att möjliggöra multiagent samarbete. Dessutom, för att hantera potentiella fördröjningar som kan uppstå till följd av att handlingar tar längre tid än förväntat, föreslår vi en synkroniseringsmekanism. Denna mekanism säkerställer att agenter kan påbörja samarbetsåtgärder samtidigt, vilket upprätthåller koordinering trots potentiella fördröjningar som introduceras i det experimentella scenariot. Dessutom designar vi en Model Predictive Control (MPC) regulator med kollisionsundvikande förmåga för att garantera säker och effektiv rörelse av agenter inom arbetsområdet. Både planeringsstrategin och MPC-regulatorn är implementerade i Python och Robot Operating System 2 (ROS2) vilket möjliggör distribution på ett brett utbud av kompatibla robotplattformar. För att validera effektiviteten av vårt ramverk, utför vi omfattande tester i olika scenarion, inklusive kontrollerade simuleringar i ROS2 och praktiska fältexperiment bestående av ett team av fem robotar, specifikt 2 Turtlebots och 3 Hebi Rosies med manipulationsförmåga. Resultaten demonstrerar en signifikant reduktion av beräkningskomplexitet jämfört med tidigare metoder och överlägsen anpassningsförmåga till olika experimentupplägg.

L’efficiente coordinamento e la collaborazione dei robot autonomi sono fondamentali per svolgere compiti complessi in diverse applicazioni industriali e di ricerca. In questo studio, ci concentriamo su compiti ricorrenti, tipici delle applicazioni agronomiche, dove questi devono essere eseguiti ripetutamente per un periodo indefinito. Specificheremo formalmente tali compiti attraverso Linear Temporal Logic (LTL) per la pianificazione e il coordinamento dei sistemi multi-agente. Sviluppiamo un pacchetto software per la pianificazione e il coordinamento multi-agente con un focus sull’agricoltura di precisione, che può essere esteso in modo semplice a un’ampia gamma di applicazioni di controllo multi-robot. L’obiettivo principale della tesi è sviluppare una strategia di pianificazione che consenta agli agenti di eseguire compiti in collaborazione, garantendo sia l’affidabilità sia la riduzione della complessità computazionale rispetto agli approcci precedenti. A tal fine, adattiamo un approccio bottom-up per il coordinamento dei movimenti e dei compiti che include una sintesi offline del piano e uno schema di coordinamento online basato sullo scambio in tempo reale di messaggi di richiesta, risposta e conferma. La sintesi offline genera un piano iniziale, mentre lo schema online lo aggiorna dinamicamente per consentire la collaborazione multi-agente. Inoltre, per affrontare i ritardi che possono verificarsi a causa del fatto che le azioni richiedono più tempo del previsto, proponiamo un meccanismo di sincronizzazione. Questo meccanismo assicura che gli agenti possano iniziare azioni collaborative simultaneamente, mantenendo così il coordinamento nonostante i potenziali ritardi introdotti nello scenario sperimentale. Inoltre, progettiamo un controllore Model Predictive Control (MPC) capace di evitare collisioni per garantire un movimento sicuro ed efficiente degli agenti all’interno dell’area di lavoro. Sia la strategia di pianificazione che il controllore MPC sono implementati in Python e Robot Operating System 2 (ROS2), consentendo l’impiego in un’ampia gamma di robot compatibili. Per convalidare l’efficacia del nostro framework, conduciamo estesi test in vari scenari, incluse simulazioni controllate in ROS2 ed esperimenti pratici sul campo coinvolgendo un team di cinque robot, nello specifico 2 Turtlebot e 3 Hebi Rosie con capacità di manipolazione. I risultati hanno dimostrato una significativa riduzione della complessità computazionale rispetto ai metodi precedenti e una superiore adattabilità a diversi setup sperimentali.