Strategie di coordinazione e pianificazione dei percorsi per sistemi multi-robot in ambienti industriali e urbani

The coordination and path planning of multiple robots are fundamental challenges in mobile robotics, particularly in shared environments characterized by dense interactions, execution-level uncertainty, and stringent real-time constraints. As multiple agents operate concurrently, robot motions become inherently interdependent, and individual decisions directly affect system-level feasibility, safety, and performance. Addressing these challenges therefore requires scalable coordination and planning strategies that bridge algorithmic rigor with practical deployment requirements. The present thesis investigates coordination and path planning frameworks for multi-robot systems across two complementary domains: traffic management for industrial Automated Guided Vehicles (AGVs) and navigation for Autonomous Vehicles (AVs) operating in urban environments. In the industrial context, the thesis focuses on traffic management and coordination of AGVs operating in real, non-standardized environments characterized by narrow corridors, irregular geometries, heterogeneous fleets, and high traffic density. A traffic management architecture is proposed, integrating an anytime bounded-horizon coordination strategy grounded in Lifelong Multi-Agent Path Finding (L-MAPF), a dedicated deadlock detection and resolution mechanism, and an execution-aware path allocation layer to ensure safe and robust operation under real-world uncertainties. Beyond coordination, this work investigates the impact of environment modelling on coordination complexity and system-level performance. A dedicated benchmarking framework for industrial roadmaps is introduced, enabling systematic and quantitative comparison of different roadmap designs under lifelong multi-agent operation and highlighting the critical influence of roadmap structure on traffic congestion. In addition, to address the heterogeneous spatial structure typical of industrial environments, where safety-critical constrained areas coexist with more open regions, we propose a multi-vehicle path planning strategy based on hybrid environment representations. The approach adapts the planning structure to local spatial characteristics, enforcing structured navigation in constrained areas while enabling increased geometric flexibility elsewhere. A hierarchical planning architecture combines high-level area selection with low-level path generation and is supported by a bi-level optimization framework with quasi-adaptive self-tuning of objective weights, resulting in improved efficiency and robustness. In the urban domain, navigation for AVs under partial observability and stochastic interactions is addressed through a hierarchical Multi-Agent Reinforcement Learning (MARL) architecture, namely MACH3, which decomposes navigation into cooperative high-level decision-making, mid-level trajectory planning, and low-level control. By integrating learning-based cooperation with structured motion planning, the framework improves interpretability, learning stability, and comfort in dense urban traffic. The present thesis advances the state of the art in multi-robot systems by introducing a traffic management system validated in real industrial facilities, a novel multi-vehicle path planning strategy for industrial environments, and a hierarchical multi-agent navigation framework for autonomous vehicles in urban scenarios.

La coordinazione e la pianificazione del percorso di più robot sono sfide fondamentali nella robotica mobile, in particolare in ambienti condivisi caratterizzati da interazioni intense, incertezza e vincoli stringenti in tempo reale. Quando più agenti operano simultaneamente, i movimenti dei robot diventano intrinsecamente interdipendenti e le decisioni individuali influenzano direttamente le prestazioni e la sicurezza del sistema. Affrontare tali sfide richiede quindi strategie di coordinazione e pianificazione scalabili, capaci di conciliare il rigore algoritmico con i requisiti pratici implementativi. La presente tesi studia soluzioni di coordinazione e pianificazione del percorso per sistemi multi-robot in due ambiti complementari: la gestione del traffico per veicoli industriali a guida automatica (AGV) e la navigazione per veicoli autonomi (AV) che operano in ambienti urbani. Nel contesto industriale, la tesi si concentra sulla gestione del traffico e sulla coordinazione degli AGV che operano in ambienti reali e non standardizzati caratterizzati da corridoi stretti, geometrie irregolari, flotte eterogenee e alta densità di traffico. Viene proposta un'architettura di gestione del traffico che integra una strategia di coordinazione a orizzonte limitato basata sul Lifelong Multi-Agent Path Finding (L-MAPF), un meccanismo di rilevamento e risoluzione dei deadlock, e un livello di allocazione dei percorsi che garantisce un funzionamento sicuro in condizioni di incertezza del mondo reale. Oltre alla coordinazione, la tesi analizza l’impatto della modellazione dell’ambiente sulla complessità della coordinazione e sulle prestazioni del sistema. A tal fine, viene introdotto un framework di benchmarking per roadmap industriali, che consente un confronto sistematico e quantitativo tra diverse soluzioni e mette in evidenza l’influenza della struttura della roadmap sui fenomeni di congestione del traffico. Inoltre, per affrontare la struttura spaziale eterogenea tipica degli ambienti industriali, dove aree soggette a vincoli critici per la sicurezza coesistono con regioni più aperte, proponiamo una strategia di pianificazione del percorso multi-veicolo basata su rappresentazioni ibride dell'ambiente. L'approccio adatta la struttura di pianificazione alle caratteristiche spaziali locali, imponendo una navigazione strutturata nelle aree soggette a vincoli e consentendo al contempo una maggiore flessibilità geometrica altrove. Un'architettura di pianificazione gerarchica combina la selezione di aree di alto livello con la generazione di percorsi di basso livello ed è supportata da un framework di ottimizzazione a due livelli con auto-taratura quasi adattiva dei pesi oggettivi, con conseguente miglioramento delle prestazioni. Nel contesto urbano, la navigazione dei veicoli autonomi in condizioni di osservabilità parziale e interazioni stocastiche viene affrontata attraverso un'architettura gerarchica di Multi-Agent Reinforcement Learning (MARL), denominata MACH3, che scompone la navigazione in processi decisionali cooperativi di alto livello, pianificazione della traiettoria di medio livello e controllo di basso livello. Integrando la cooperazione basata sull'apprendimento con la pianificazione strutturata del movimento, il framework migliora l'interpretabilità e il comfort nel traffico urbano denso. Il presente elaborato contribuisce all’avanzamento dello stato dell’arte nei sistemi multi-robot proponendo un sistema di gestione del traffico validato in impianti industriali reali, una strategia innovativa di pianificazione multi-veicolo per ambienti industriali e un’architettura gerarchica di navigazione multi-agente per veicoli autonomi in contesti urbani.