Safety and risk-awareness are important properties for robotic systems, be it for protecting them from potentially dangerous internal states, or for avoiding collisions with obstacles and environmental hazards in disaster scenarios. Ensuring safety may be the role of more than one algorithmic layer in a system, each with varying assumptions and guarantees. This thesis investigates how to provide safety and risk-awareness in a robotic system by leveraging temporal logics, motion planning algorithms, and control theory.

Traditional control theory approaches interpret the collision avoidance safety task as a `stay-away' task; obstacles are abstracted as collections of geometric shapes, and controllers are designed to avoid each shape individually. We propose interpreting the collision avoidance problem as a `stay-within' task: the obstacle-free space is abstracted into safe regions. We propose control laws based on Control Barrier functions that guarantee that the system remains within such safe regions throughout its mission. Our results demonstrate that our controller indirectly avoids obstacles while providing the system the freedom to move within the safe regions, without the necessity to plan and track a safe trajectory. Furthermore, by extending our idea with Metric Interval Temporal Logic, we are able to consider missions with explicit time bounds. 

Temporal logics are often used to define hard constraints on motion plans for robotic systems. However, some missions may require the system to violate constraints to make progress. Therefore, we propose to soften the hard constraints when necessary. Such soft constraints, here coined as spatial preferences, are used to account for relations between the system and the environment, such as distance from obstacles. The proposed minimally-violating motion planning algorithm attempts to find trajectories that satisfy the spatial preferences as much as possible, but violate them when needed. We demonstrate the use of spatial preferences on 3D exploration scenarios with Unmanned Aerial Vehicles, where we provide safer trajectories to the system while improving exploration efficiency. 

In the last part of the thesis, we address safety in scenarios where a precise model of the environment is not available. In such scenarios, the system is required to fulfil the mission while minimizing risk, considering the imprecise model. We leverage Gaussian Processes to build approximate models of the environment, and use their posterior distributions in a risk metric. This risk metric allows us to consider less likely but possible events along the missions. To this end, we propose an online risk-aware motion planning approach, and validate it on disaster scenarios, where exposure to the unmodeled hazards might damage the system. Moreover, we explore risk-awareness between the control and mapping layers, by considering smooth approximations of Euclidean Distance Fields.

Our results indicate that our algorithms provide robotic systems with i) provably-safe controllers, ii) soft safety constraints, and iii) risk-awareness in unmodeled environments. These three properties contribute to safer and risk-aware robotic systems in the real world.

Säkerhet och riskmedvetenhet är viktiga egenskaper för robotsystem, oavsett om det är för att skydda dem från potentiellt farliga interna tillstånd eller för att undvika kollisioner med hinder och miljöfaror i katastrofscenarier. Att garantera säkerhete kan vara rollen för mer än ett lager av algoritmer i ett system, var och en med olika antaganden och garantier. Denna avhandling undersöker hur man skapar säkerhet och riskmedvetenhet i ett robotsystem genom att utnyttja tidslogik, algoritmer för rörelseplanering och reglerteori.

Traditionella metoder inom reglerteori tolkar säkerhetsuppgiften för att undvika kollisioner som en `hålla-sig-utom-uppgift'; hinder abstraheras som samlingar av geometriska former, och regulatorer utformas för att undvika varje form individuellt. Vi föreslår att problemet med kollisionsundvikande tolkas som en `hålla-sig-inom-uppgift': utrymmet fritt från hinder abstraheras till säkra regioner. Vi föreslår regulatorer baserade på kontrollbarriärfunktioner som garanterar att systemet förblir inom sådana säkra regioner under hela sitt uppdrag. Våra resultat visar att vår regulator indirekt undviker hinder samtidigt som den ger systemet frihet att röra sig inom de säkra regionerna, utan att det är nödvändigt att planera och följa en viss säker bana. Genom att utöka vår idé med tidslogik med metriska intervall kan vi dessutom hantera uppdrag med explicita tidsgränser.

Tidslogik används ofta för att definiera strikta begränsningar för rörelseplaner för robotsystem. Vissa uppdrag kan dock kräva att systemet bryter mot begränsningar för att göra framsteg. Därför föreslår vi att mjuka upp de strikta begränsningarna vid behov. Sådana följsamma begränsningar, här kallade för rumsliga preferenser, används för att redogöra för relationer mellan systemet och miljön, såsom avstånd från hinder. Den föreslagna minimalt regelbrytande algoritmen för rörelseplanering försöker hitta banor som uppfyller de rumsliga preferenserna så mycket som möjligt, men kränker dem vid behov. Vi demonstrerar användningen av rumsliga preferenser i tredimensionella utforskningsscenarier med obemannade flygfordon, där vi tillhandahåller säkrare banor till systemet samtidigt som vi förbättrar utforskningseffektiviteten.

I den sista delen av avhandlingen tar vi upp säkerheten i scenarier där en exakt modell av miljön inte är tillgänglig. I sådana scenarier krävs att systemet genomför uppdraget samtidigt som risken minimeras, med hänsyn till den oprecisa modellen. Vi utnyttjar Gaussiska processer för att bygga approximativa modeller av miljön och använder deras a posteriori-fördelningar i ett riskmått. Detta riskmått gör att vi kan överväga mindre sannolika men möjliga händelser längs uppdragen. För detta ändamål föreslår vi ett direkt riskmedvetet tillvägagångssätt för planering av rörelser och validerar det i katastrofscenarier där exponering för omodellerade faror kan skada systemet. Dessutom utforskar vi riskmedvetenhet mellan reglering- och kartläggningsskikten genom att använda släta approximationer av euklidiska avståndsfält.

Våra resultat indikerar att våra algoritmer förser robotiksystem med i) bevisligen säkra regulatorer, ii) följsamma säkerhetsbegränsningar och iii) riskmedvetenhet i omodellerade miljöer. Dessa tre egenskaper bidrar till säkrare och mer riskmedvetna robotsystem i den verkliga världen.

Autonomous mobile robots have in recent years started to enter households in the form of autonomous vacuum cleaners and lawn mowers. The applicability of more advanced and general purpose service robots is almost endless. That is, robots that can perform a variety of tasks, instead of being specialized for a single task. To this end, there are some fundamental challenges that need to be addressed. One of the key capabilities of an autonomous mobile robot is navigation. To achieve truly autonomous navigation, the robot has to be able to localize itself, plan, execute, and update a path that takes it to its desired location, and to generate a map on-the-fly of its environment if the environment is unknown or changing. This thesis focuses on the latter two of these challenges, planning and mapping. More specifically, we investigate in the scenario where the robot lacks any prior knowledge of the environment, referred to as autonomous exploration.

One of the most important insights throughout the thesis is that these challenges should not be examined in isolation. As these are generally not the main tasks, a truly autonomous mobile robot shall perform; instead, they are necessities to fulfill higher-level tasks. Therefore, aspects such as flexibility and scalability should be regarded higher than simply accomplishing the task as efficiently or quickly as possible.

Another insight, specifically regarding mapping, comes from surveying both consumers, the ones using the maps, and producers, the ones creating the maps. Ideally, a mapping framework should be optimized towards both, as it is pointless creating maps that cannot be used as well as assuming data can be extracted from a map in ways that are unfeasible. However, in existing works this is rare. 

A third insight, specifically regarding exploration, comes from breaking down typical assumptions and simplifications that are generally applied to make the problem tractable. We show that the problem is often formulated such that it leads to unnecessary greedy behavior, where the expected information gain has too high priority. Not only do we show that with a more general formulation we can achieve better results, but also that the information gain is not important from a long-term perspective.

In this thesis, we present a mapping framework as well as an exploration framework. With these frameworks, we show that flexibility and scalability do not necessarily have to come at the cost of efficiency. We contribute the mapping framework, UFOMap, and the exploration framework, UFOExplorer, open-source to the community such that others can further develop and build upon them.

Autonoma mobila robotar har på senare år börjat komma in i hushållen i form av autonoma dammsugare och gräsklippare. Tillämpbarheten av mer avancerade och generella servicerobotar är nästan oändlig. Det vill säga robotar som kan utföra en mängd olika uppgifter, istället för att vara specialiserade för en enskild uppgift. För detta ändamål finns det några grundläggande utmaningar som måste lösas. En av nyckelfunktionerna hos en autonom mobil robot är navigering. För att uppnå verklig autonom navigering måste roboten kunna lokalisera sig själv, planera, utföra och uppdatera en plan som tar den till dess önskade plats, och generera en karta i farten över sin miljö om miljön är okänd, eller förändras. Denna avhandling fokuserar på de två senare av dessa utmaningar, planering och kartläggning. Närmare bestämt undersöker vi scenariot där roboten saknar förkunskaper om miljön, så kallad autonom utforskning.

En av de viktigaste insikterna genom hela avhandlingen är att dessa utmaningar inte bör granskas isolerat. Eftersom dessa i allmänhet inte är huvuduppgifterna en verklig autonom mobil robot ska utföra; istället är de nödvändigheter för att utföra uppgifter på högre nivå. Därför bör aspekter som flexibilitet och skalbarhet ses som högre än att bara utföra uppgiften så effektivt eller snabbt som möjligt.

En annan insikt, specifikt när det gäller kartläggning, kommer från kart-läggning av både konsumenter, de som använder kartorna, och producenter, de som skapar kartorna. Helst bör ett kartramverk optimeras för båda, eftersom det är meningslöst att skapa kartor som inte kan användas samt att anta att data kan extraheras från en karta på sätt som är omöjliga. I befintligt arbete är detta sällsynt.

En tredje insikt, specifikt angående utforskning, kommer från att bryta ner typiska antaganden och förenklingar som generellt tillämpas för att göra problemet löst. Vi visar att problemet ofta formaliseras så att det leder till onödigt girigt beteende, där den förväntade informationsvinsten har för hög prioritet. Vi visar inte bara att vi med en mer generell formalisering kan nå bättre resultat utan också att informationsvinsten inte är viktig ur ett långsiktigt perspektiv.

I denna avhandling presenterar vi ett kartläggningsramverk samt ett utforskningsramverk. Med dessa ramverk visar vi att flexibilitet och skalbarhet inte nödvändigtvis behöver ske på bekostnad av effektivitet. Vi bidrar med kartläggningsramverket, UFOMap, och utforkninsramverket, UFOExplorer, öppen källkod till samhället så att andra kan utveckla och bygga vidare på dem.