This thesis tackles the long-standing problem of writing computer programs to control robots, ideally generating programs automatically without actually programming at all. For motivation, we notice that in recent years, two strong trends in industry are those of collaborative and mobile robotics. These application types share a critical property where robot programs now have to autonomously react to diverse events. Autonomous robots that operate without regular human intervention or guidance must therefore be controlled by policies that execute different actions depending on the circumstances, but creating a robust policy is considerably more difficult than writing a linear program that always executes the same instructions. There is also an established global industrial trend of more flexible production and smaller batches, leading to programming and commissioning costs becoming a larger share of the total cost of a robot application. All of this put together has increased the already high pressure to make robots easier and faster to program, or in other words, to make them more versatile. A popular and growing policy architecture used in robotics is behavior trees, driven by their inherent reactivity, transparency, and modularity. How to create behavior trees easily, however, is a highly active research topic, with many methods proposed from varying fields such as machine learning, automated planning, and intuitive user interfaces. In this thesis we study how we can improve and combine various methods such that they complement each other and the resulting system performs better. We propose several composite systems and validate their effectiveness in creating behavior tree policies in multiple robotic benchmark experiments.

Denna avhandling tar upp det långvariga problemet med att skriva datorprogram för att styra robotar, helst genom att generera program automatiskt utan att egentligen programmera alls. Som motivering noterar vi att två starka trender i branschen under senare år är kollaborativa och mobila robotar. Dessa applikationstyper delar en kritisk egenskap där robotprogrammen nu måste reagera autonomt på olika händelser. Autonoma robotar som arbetar utan regelbunden mänsklig inblandning eller vägledning måste därför styras av policyer som utför olika åtgärder beroende på omständigheterna, men att skapa en robust policy är betydligt svårare än att skriva ett linjärt program som alltid utför samma instruktioner. Det finns också en etablerad global industriell trend mot mer flexibel produktion och mindre serier, vilket leder till att programmerings- och driftsättnings-kostnader blir en större andel av den totala kostnaden för en robotapplikation. Allt detta sammantaget har ökat det redan höga trycket på att göra robotar enklare och snabbare att programmera, eller med andra ord, att göra dem mer mångsidiga. En populär och växande policyarkitektur som används inom robotik är beteendeträd, drivet av deras inbyggda reaktivitet, transparens och modularitet. Hur man enkelt skapar beteendeträd är dock ett mycket aktivt forskningsämne, med många metoder föreslagna från olika områden såsom maskininlärning, automatiserad planering och intuitiva användargränssnitt. I denna avhandling studerar vi hur vi kan förbättra och kombinera olika metoder så att de kompletterar varandra och det resulterande systemet presterar bättre. Vi föreslår flera sammansatta system och validerar deras effektivitet i att skapa beteendeträdspolicyer i flera olika jämförande robotexperiment.