The adoption of small-size Unmanned Aerial Vehicles (UAVs) in the commercial and professional sectors is rapidly growing. The miniaturisation of sensors and processors, the advancements in connected edge intelligence and the exponential interest in Artificial Intelligence (AI) are boosting the affirmation of autonomous nano-size drones in the Internet of Things (IoT) ecosystem. However, achieving safe autonomous navigation and high-level tasks like exploration and surveillance with these tiny platforms is extremely challenging due to their limited resources. Lightweight and reliable solutions to this challenge are subject to ongoing research. This work focuses on enabling the autonomous flight of a pocket-size, 30-gram platform called Crazyflie in a partially known environment. We implement a modular pipeline for the safe navigation of the nano drone between waypoints. In particular, we propose an AI-aided, vision-based reactive planning method for obstacle avoidance. We deal with the constraints of the nano drone by splitting the navigation task into two parts: a deep learning-based object detector runs on external hardware while the planning algorithm is executed onboard. For designing the reactive approach, we take inspiration from existing sensorbased navigation solutions and obtain a novel method for obstacle avoidance that does not rely on distance information. In the study, we also analyse the communication aspect and the latencies involved in edge offloading. Moreover, we share insights into the finetuning of an SSD MobileNet V2 object detector on a custom dataset of low-resolution, grayscale images acquired with the drone. The results show the ability to command the drone at ∼ 8 FPS and a model performance reaching a COCO mAP of 60.8. Field experiments demonstrate the feasibility of the solution with the drone flying at a top speed of 1 m/s while steering away from an obstacle placed in an unknown position and reaching the target destination. Additionally, we study the impact of a parameter determining the strength of the avoidance action and its influence on total path length, traversal time and task completion. The outcome demonstrates the compatibility of the communication delay and the model performance with the requirements of the real-time navigation task and a successful obstacle avoidance rate reaching 100% in the best-case scenario. By exploiting the modularity of the proposed working pipeline, future work could target the improvement of the single parts and aim at a fully onboard implementation of the navigation task, pushing the boundaries of autonomous exploration with nano drones. / Användningen av små obemannade flygfarkoster (UAV) inom den kommersiella och professionella sektorn ökar snabbt. Miniatyriseringen av sensorer och processorer, framstegen inom connected edge intelligence och det exponentiella intresset för artificiell intelligens (AI) ökar användningen av autonoma drönare i nanostorlek i ekosystemet för sakernas internet (IoT). Att uppnå säker autonom navigering och uppgifter på hög nivå, som utforskning och övervakning, med dessa små plattformar är dock extremt utmanande på grund av deras begränsade resurser. Lättviktiga och tillförlitliga lösningar på denna utmaning är föremål för pågående forskning. Detta arbete fokuserar på att möjliggöra autonom flygning av en 30-grams plattform i fickformat som kallas Crazyflie i en delvis känd miljö. Vi implementerar en modulär pipeline för säker navigering av nanodrönaren mellan riktpunkter. I synnerhet föreslår vi en AI-assisterad, visionsbaserad reaktiv planeringsmetod för att undvika hinder. Vi hanterar nanodrönarens begränsningar genom att dela upp navigeringsuppgiften i två delar: en djupinlärningsbaserad objektdetektor körs på extern hårdvara medan planeringsalgoritmen exekveras ombord. För att utforma den reaktiva metoden hämtar vi inspiration från befintliga sensorbaserade navigeringslösningar och tar fram en ny metod för hinderundvikande som inte är beroende av avståndsinformation. I studien analyserar vi även kommunikationsaspekten och de svarstider som är involverade i edge offloading. Dessutom delar vi med oss av insikter om finjusteringen av en SSD MobileNet V2-objektdetektor på en skräddarsydd dataset av lågupplösta gråskalebilder som tagits med drönaren. Resultaten visar förmågan att styra drönaren med ∼ 8 FPS och en modellprestanda som når en COCO mAP på 60.8. Fältexperiment visar att lösningen är genomförbar med drönaren som flyger med en topphastighet på 1 m/s samtidigt som den styr bort från ett hinder som placerats i en okänd position och når måldestinationen. Vi studerar även effekten av en parameter som bestämmer styrkan i undvikandeåtgärden och dess påverkan på den totala väglängden, tidsåtgången och slutförandet av uppgiften. Resultatet visar att kommunikationsfördröjningen och modellens prestanda är kompatibla med kraven för realtidsnavigering och ett lyckat undvikande av hinder som i bästa fall uppgår till 100%. Genom att utnyttja modulariteten i den föreslagna arbetspipelinen kan framtida arbete inriktas på förbättring av de enskilda delarna och syfta till en helt inbyggd implementering av navigeringsuppgiften, vilket flyttar gränserna för autonom utforskning med nano-drönare.

Real-time semantic scene understanding is a challenging computer vision task for autonomous vehicles. A limited amount of research has been done regarding forestry and off-road scene understanding, as the industry focuses on urban and on-road applications. Studies have shown that Deep Convolutional Neural Network architectures, using parameters trained on large datasets, can be re-trained and customized with smaller off-road datasets, using a method called transfer learning and yield state-of-the-art classification performance. This master’s thesis served as an extension of such existing off-road semantic segmentation studies. The thesis focused on detecting and visualizing the general trade-offs between classification performance, classification time, and the network’s number of available classes. The results showed that the classification performance declined for every class that got added to the network. Misclassification mainly occurred in the class boundary areas, which increased when more classes got added to the network. However, the number of classes did not affect the network’s classification time. Further, there was a nonlinear trade-off between classification time and classification performance. The classification performance improved with an increased number of network layers and a larger data type resolution. However, the layer depth increased the number of calculations and the larger data type resolution required a longer calculation time. The network’s classification performance increased by 0.5% when using a 16-bit data type resolution instead of an 8-bit resolution. But, its classification time considerably worsened as it segmented about 20 camera frames less per second with the larger data type. Also, tests showed that a 101-layered network slightly degraded in classification performance compared to a 50-layered network, which indicated the nonlinearity to the trade-off regarding classification time and classification performance. Moreover, the class constellations considerably impacted the network’s classification performance and continuity. It was essential that the class’s content and objects were visually similar and shared the same features. Mixing visually ambiguous objects into the same class could drop the inference performance by almost 30%. There are several directions for future work, including writing a new and customized source code for the ResNet50 network. A customized and pruned network could enhance both the application’s classification performance and classification speed. Further, procuring a task-specific forestry dataset and transferring weights pre-trained for autonomous navigation instead of generic object segmentation could lead to even better classification performance. / Se filen

Syftet med denna studie var att undersöka det framtida användandet av instrumentpanelen i autonoma personbilar. En lösning presenteras där interiören liknar en tågkupé med säten vända mot varandra kring den nya instrumentpanelen utformad som ett multifunktionellt bord. Genom att undersöka vad konsumenter från fyra olika målgrupper ville sysselsätta sig med i en nivå fem autonom personbil kunde funktioner såsom bildskärmar, tangentbord och förvaringsmöjligheter inkluderas i den nya instrumentpanelen.   För insamling av empiri användes både kvalitativa och kvantitativa metoder där semistrukturerade intervjuer och en enkätundersökning genomfördes. Båda metoderna riktade sig till fyra målgrupper av konsumenter: Studenter, barnfamiljer, kortvägspendlare samt resande säljare. För att samla in mycket information på kort tid utfördes metoderna samtidigt och båda metoderna användes för att validera resultatet.   Genom analysen av empirin hittades gemensamma intressen mellan målgrupperna, i båda metoderna, och sammanställde dessa till kundönskemål. Resultatet av analysen visar bland annat att passagerare i autonoma fordon vill ha bra möjligheter till att arbeta, lyssna på musik, docka telefon, laptop eller surfplatta till inbyggda skärmar i bilen samt läsa och skriva email. Det önskas hållare för drycker, avlastningsytor för mat samt kyld förvaring.   Intervjuer med experter från branschen genomfördes för att bistå med utformning- och säkerhetskrav som tillsammans med kundönskemålen gav ett underlag för att generera koncept. Innan konceptegenereringsfasen påbörjades gjordes en brainstorming för att diskutera tekniska lösningar till de framtagna önskemålen. De framtagna koncepten utvärderades med metoden för Pughs konceptvalsmatris där de mättes mot ett referenskoncept. Ett vinnande koncept kunde efter förbättringar utses och presenteras med skisser, produktbeskrivning samt en produktspecifikation.  Arbetet begränsades till att fokusera på att uppfylla kundönskemålen och lämnar många krav runt säkerhet åt framtida vidareutveckling av konceptet. / Contents of this bachelor’s thesis are written in Swedish.  The purpose of this study was to investigate the future use of the instrument panel in autonomous cars. A solution is presented in which the interior resembles a train compartment with seats facing each other around the new instrument panel designed as a multifunctional table. By examining what consumers from four different target groups would want to engage themselves with in a level five autonomous car, features such as monitors, keyboards and storage facilities was included in the new instrument panel.  For the gathering of empirical data, qualitative and quantitative methods was used, where both semi-structured interviews and a survey was conducted. Both methods addressed four target groups of consumers: students, families with children, short-distance commuters and traveling salespersons. To collect much information in a short period of time, the methods were performed simultaneously and both methods were used to validate the result.  The empirical analysis found common interests between the target groups, in both methods and compiled these into customer requests. The result of the analysis shows, among other things, that passengers in autonomous cars want good opportunities to work, listen to music, dock their phone, laptop or tablet too built-in monitors in the car as well as read and write email. They desired holder for drinks, relief surfaces when eating food as well as refrigerated storage.  Interviews with industry experts were conducted to complement with design and safety requirements that, together with customer requests, provided a basis for generating concepts. Before the start of the concept generating phase, a brainstorming was conducted to discuss technical solutions to the desired customer requests. The final concepts were evaluated using the method of Pugh Concept Selection, where they were compared against a reference concept. A winning concept was, after improvements, presented with sketches, product description and a product specification.  The work was limited to focusing on meeting customer requests and leaving many requirements for personal safety to future, further development of the concept.

Inom det heta forskningsområdet med självflygande drönare sker det en kontinuerlig utveckling både inom forskningen och inom industrin. Det finns flera forskningsproblem kring autonoma fordon, inklusive autonom styrning av drönare. Ett intressant spår för autonom styrning av drönare, är via deep reinforcement learning, dvs. en kombination av djupa neuronnät med reinforcement learning. Problemen som ofta uppkommer är tidskrävande träning, ineffektiv manövrering och problem med oförutsägbarhet och säkerhet. Även höga kostnader kan vara ett problem. Med hjälp av simuleringsprogrammet AirSim har vi fått en möjlighet att testa aktuella algoritmer utan hänsyn till kostnader och andra begränsande faktorer som kan utgöra svårigheter för att arbeta inom detta område. Microsofts egenutvecklade simulator AirSim tillåter användare att via deras applikationsprogrammeringsgränssnitt kommunicera med drönaren i programmet, vilket gör det möjligt att testa olika algoritmer. Frågeställningen som berörs är hur kan den existerande belöningsfunktionen i AirSim simulatorn förbättras med avseende på att undvika hinder och förflytta drönaren från start till mål. Målet med undersökningen är att studera och förbättra AirSims existerande Deep Q-Network algoritm med fokus på belöningsfunktionen och testa den i olika simulerade miljöer. Med hjälp av två olika experiment som utförts i två olika miljöer, observerades belöningen, antalet kollisioner och beteendet agenten hade i simulatorn. Vi lyckades inte få fram tillräckligt med data för att kunna mäta en tydlig förbättring av den modifierade belöningsfunktionens utvärderingsmått, dock kan vi säga att vi lyckades utveckla en belöningsfunktion som presterar bra genom att den undviker hinder och tar sig till mål. För att kunna jämföra vilken av belöningsfunktionerna som är bättre, behövs mer forskning inom ämnet. Med de problem som fanns med att samla in data är slutsatsen att vi inte lyckades förbättra algoritmen då vi vet inte om den presterar bättre eller sämre än den existerande belöningsfunktionen. / Drones are growing popular and so is the research within the field of autonomous drones. There are several research problems around autonomous vehicles overall, but one interesting problem covered by this study is the autonomous manoeuvring of drones. One interesting path for autonomous drones is through deep reinforcement learning, which is a combination of deep neural networks and reinforcement learning. Problems that researchers often encounter within the field stretch from time consuming training, effective manoeuvring to problems with unpredictability and security. Even high costs of testing can be an issue. With the help of simulation programs, we are able to test algorithms without any concerns to cost or other real-world factors that could limit our work. Microsoft’s own simulator AirSim lets users control the vehicle in their simulator through an application programming interface, which enables the possibility to test a variety of algorithms. The research question addressed in this study is how can the pre-existing reward function be improved on avoiding obstacles and move the drone from start to goal. The goal of this study is to find improvements on AirSim’s pre-existing Deep Q-Network algorithm’s reward function and test it in two different simulated environments. By conducting several experiments and storing evaluation metrics produced by the agents, it was possible to observe a result. The observed evaluation metrics included the average reward that the agent received over time, number of collisions and overall performance in the respective environment. We were not successfully able to gather enough data to measure an improvement of the evaluation metrics for the modified reward function. The modified function that was created performed well but did not display any substantially improved performance. To be able to successfully compare if one reward function is better than the other more research needs to be done. With the difficulties of gathering data, the conclusion is that we created a reward function that we can’t tell if it is better or worse than the benchmark reward function.

I denna systematiska litteraturstudie fokuseras elever med fallenhet för matematik, problemlösning samt motivation och sambanden mellan dessa. Syftet med studien är att kartlägga hur elever med matematisk fallenhet kan utmärka sig, att undersöka hur problemlösning kan utmana och utveckla dessa elever samt att undersöka sambanden mellan elever med matematisk fallenhet, problemlösning och motivation. För att besvara studiens syfte samt frågeställningar baseras studien på ett flertal vetenskapliga publikationer som har analyserats utifrån tre teoretiska perspektiv. Studiens resultatanalys visar på flera utmärkande drag hos elever med matematisk fallenhet, vissa mer förekommande än andra. Resultatanalysen i studien redogör även för kännetecken för problemlösningsuppgifter, med vilka faser en problemlösningsuppgift kan lösas samt hur arbete med problemlösning kan bidra till utmaning och fortsatt utveckling hos elever med matematisk fallenhet. Avslutningsvis redogör studiens resultatanalys för sambandet mellan elever med matematisk fallenhet, problemlösning och motivation. Studien visar att motivationen hos elever med matematisk fallenhet ökar vid arbete med problemlösning.

In der heutigen Zeit werden autonome Roboter in sehr vielen Bereichen eingesetzt. Wichtige Voraussetzungen für viele dieser Einsatzbereiche sind die Kartierung einer Umgebung sowie die autonome Navigation und Orientierung innerhalb dieser Karte. Dafür kann SLAM (Simultaneous Localization And Mapping) eingesetzt werden. Der Google Cartographer ist eine Software, die solche Funktionen bereitstellt. Diese Arbeit gibt zu Beginn einen grundlegenden Überblick über die vielseitigen Anwendungsgebiete und unterschiedlichen Funktionsweisen von SLAM. Im Weiteren wurden einzelne Algorithmen des Google Cartographers analysiert, sowie die Ergebnisse und deren Genauigkeit mit einem anderen SLAM Algorithmus verglichen. Weiterhin zeigt die Arbeit eine mögliche Anbindung des in C++ entwickelten Google Cartographers an Java über JNI (Java Native Interface). Abschließend wurden die Ergebnisse der Arbeit und der Nutzen der aus der Arbeit entstandenen Erkenntnisse und des entwickelten JNI ausgewertet. / In today's world, autonomous robots are used in many areas. Important requirements for many of these fields of application are the mapping of an environment as well as autonomous navigation and orientation within this map. SLAM (Simultaneous Localization And Mapping) can be used for this purpose. The Google Cartographer is a software that provides such functions. At the beginning, this thesis gives a basic overview of the versatile application areas and different functionalities of SLAM. Furthermore, individual algorithms of the Google Cartographer were analyzed and results and accuracy were compared with another SLAM algorithm. Furthermore the thesis shows a possible connection of the Google Cartographers developed in C++ to Java over JNI (Java Native Interface). Finally, the results and the benefits of the knowledge, gained from the thesis and the developed JNI, were evaluated.

This abstract deals with the control of truck platoons traveling in freeways. In order to improve their travel performance, in terms of travelling times and comfort and to guarantee safety, a hierarchical control scheme is proposed for each platoon. At the high level, the reference speed is computed according to a PI-based control rule with the main aim of reducing the time spent by the platoon in the congested area. This reference speed is communicated to the low control level which implements a Linear Quadratic Tracking policy and determines the optimal speed for each truck in the platoon. The application of these hierarchical controllers to a case study shows the effectiveness of the proposed scheme.

Covid-pandemin förändrade det moderna arbetslivet och distansarbete tros vara här för att stanna. I en kvantitativ studie undersöktes hur distansarbete relaterar till autonom motivation med utgångspunkt i självbestämmandeteorin för motivation och med ett särskilt fokus på arbetsrelationer, då behovet av samhörighet riskerar att bli lidande under distansarbete. Tidigare forskning har visat att distansarbete kan bidra till social isolering, sämre kontakt med kollegor och ensamhet vilket föreslår att distansarbetet bidrar till sämre arbetsrelationer. Hypotesen blev således att distansarbete har ett negativt samband med autonom motivation och att sambandet medieras av arbetsrelationer. I denna studie, som genomfördes via en enkät till 125 deltagare i ett bekvämlighetsurval, hittades inget sådant samband. Däremot fann man ett positivt samband mellan arbetsrelationer och autonom motivation. Studien har vissa begränsningar man bör ha i åtanke, bland annat en låg andel undersökningsdeltagare som arbetar mycket på distans. Framtida studier föreslås att efterforska vidare hur distansarbete relaterar till arbetsrelationer och motivation, men med ett mer strategiskt urval och longitudinell design.

´The use of unmanned aerial vehicles has not escaped anyone, not least in the Ukraine war. Sweden has operated UAV systems for almost 30 years, but on a relatively small scale. The technology is used to a greater extent by some armed forces. The purpose of our study has been to examine from a development perspective the conditions for the introduction of UAVs for the protection and surveillance of Swedish air bases. The study has an inductive approach where we obtained data throuhg interviews and litterature studies, which were then analyzed with the help of previous research and governing documents. Different types of UAVs, together with existing methods, can significantly increase the effectiveness of the protection and surveillance of air bases, especially the ability to monitor large areas. In parallel with own UAV capacity, the air bases´ability to act against enemy UAVs must also be developed. There are challenges with today´s materiel procurement process which means that it is perceived as slow to introduce new materielsystems, a further decentralization of the decision-making mandate would in this case bring out more agile materiel procurement. Operating with unmanned systems in the same area as own aircraft requires well-functioning coordination. There are methods for this, but they need to be developed and practiced to a greater extent.

The purpose of this report was to evaluate the feasibility of an autonomous drink dispenser where it can complement the waitstaff in their many duties. The prototype can accurately dispense a wide variety of drinks without the intervention of a human operator. The focus of the project was to pour a wide variety of drinks as accurately as possible. This can be achieved without the need for trained staff through automation. Many different components were required in order to make the prototype as consistent and safe as possible. It was discovered that so many components negatively affected the end result. The final prototype can dispense liquids from six different sources. Numerous different tests were done with the maximum deviation from the expected volume being 7.7%. This was a vast improvement on the standard deviation in alcohol content in drinks, which is 42%. The prototype can dispense up to 116 drinks per hour. / Syftet med denna rapport var att utvärdera genomförbarheten av en autonom dryckesautomat där den kunde komplettera servitören i sina många uppgifter. Prototypen kan med hög noggrannhet hälla upp en stor variation av drycker utan behovet av en mänsklig operatör.  Projektets fokus var att kunna hälla ett stort antal drycker med så hög precision som möjligt. Genom automatisering kan detta uppnås utan behov av utbildad personal. Många olika slags komponenter krävdes för att göra prototypen så konsekvent och säker som möjligt. Det visade sig att denna variation skapade problem och hade en negativ effekt på det önskade slutresultatet. Den slutliga prototypen kan hälla upp vätskor från sex olika källor. Många tester gjordes med en maximal avvikelse från den förväntade volymen på 7.7%. Detta var en stor förbättring på standardavvikelsen i alkoholhaltiga drycker, vilket är 42%. Prototypen kan hälla upp till 116 drycker per timme.