Autonomous Intelligent Systems (AIS) are transforming various sectors by integrating advanced control theories, artificial intelligence, and cyber-physical systems. However, AIS control development faces significant challenges, including ensuring real-time responsiveness, designing adaptive controllers for dynamic environments, and coordinating multi-agent systems under uncertainties. These issues are exacerbated in resource-constrained settings, where balancing computational demands and real-time performance is critical.

To mitigate these challenges, this thesis leverages edge computing to enhance system performance, so that data-driven methods and optimal control technologies become feasible for complex AIS applications. Edge computing is a scheme that brings computation, communication, and storage resources closer to data sources, to achieve low-latency processing, real-time adaptability, and scalable solutions for AIS applications. It provides two key benefits: (1) offloading computationally intensive tasks to nearby edge servers, so as to ensure responsive and efficient operations despite constrained resources onboard, and (2) facilitating decentralized coordination among multiple agents by exploiting the edge server as a trustworthy node, so as to improve system scalability, reliability, and collaborative decision-making.

Building on the advantages of the offloading and coordination capabilities inherent in edge computing, this thesis investigates how these features can be harnessed to overcome the limitations of AIS in achieving optimal control and coordination. Primary contributions of this thesis include: (1) the development of state estimation and data-driven optimal control algorithms, which enables more precise estimation and control in nonlinear, time-variant systems; (2) the design of edge-based computational task offloading algorithms to achieve real-time adaptive control and learning by distributing computationally intensive tasks, which effectively balances latency and resource constraints; and (3) the introduction of decentralized optimization frameworks for multi-agent systems, which enhances scalability, robustness, and coordination under communication constraints by leveraging edge servers as trustworthy nodes for efficient collaboration and decision-making. All contributions have been validated through case studies in soft robotics and connected and autonomous vehicles, demonstrating their effectiveness and advancements over existing methods.

In summary, this thesis advances AIS capabilities by addressing real-time computational challenges and enabling optimal, data-driven control and decentralized coordination. The integration of edge computing improves the efficiency, scalability, and adaptability of AIS, offering promising opportunities for applications in autonomous mobility and other dynamic domains.

Autonoma intelligenta system (AIS) omvandlar olika sektorer genom att integrera avancerad reglerteknik, artificiell intelligens och cyberfysiska system. Utvecklingen av styrsystem för AIS står dock inför betydande utmaningar, såsom att säkerställa realtidsrespons, utforma adaptiva regulatorer för dynamiska miljöer och samordna multiagentsystem under osäkerheter. Dessa utmaningar är särskilt framträdande i resursbegränsade miljöer, där det är avgörande att balansera beräkningskrav och realtidsprestanda.

För att hantera dessa utmaningar utnyttjar denna avhandling edge computing för att förbättra systemprestanda och möjliggöra data-drivna metoder samt optimal styrning för komplexa AIS-applikationer. Edge computing innebär att beräknings-, kommunikations- och lagringsresurser flyttas närmare datakällorna, vilket möjliggör låglatensbearbetning, realtidsanpassning och skalbara lösningar. Detta tillvägagångssätt erbjuder två betydelsefulla fördelar: (1) avlastning av beräkningstunga uppgifter till närliggande edge-servrar för att säkerställa responsiva och effektiva operationer trots begränsade resurser ombord, och (2) decentraliserad samordning mellan flera agenter genom att utnyttja edge-servrar som tillförlitliga noder, vilket förbättrar systemets skalbarhet, robusthet och collaborative decision-making.

Genom att dra nytta av edge computing och dess möjligheter till beräkningsavlastning och decentraliserad samordning undersöker denna avhandling hur dessa funktioner kan användas för att övervinna AIS-begränsningar inom optimal reglering och koordination. De huvudsakliga bidragen i avhandlingen inkluderar: (1) utveckling av algoritmer för tillståndsskattning och data-driven optimal styrning, vilket möjliggör mer exakt skattning och styrning av icke-linjära, tidsvarierande system; (2) design av edge-baserade algoritmer för beräkningsavlastning, vilket möjliggör realtidsanpassad reglering och inlärning genom att distribuera beräkningstunga uppgifter och därmed balansera latens och resursbegränsningar; samt (3) introduktion av decentraliserade optimeringsramverk för multiagentsystem, vilket förbättrar skalbarhet, robusthet och koordination under kommunikationsbegränsningar genom att utnyttja edge-servrar som pålitliga noder för effektivt samarbete och beslutsfattande. Alla bidrag har validerats genom fallstudier inom mjukrobotik och uppkopplade autonoma fordon, vilket påvisar deras effektivitet och förbättringar jämfört med befintliga metoder.

Sammanfattningsvis stärker denna avhandling AIS genom att adressera realtidsberäkningsutmaningar och möjliggöra optimal, data-driven styrning och decentraliserad koordination. Genom att integrera edge computing förbättras AIS effektivitet, skalbarhet och anpassningsförmåga, vilket öppnar för lovande tillämpningar inom autonom mobilitet och andra dynamiska områden.