Autonomous driving is an emerging area that has been receiving an increasing amount of interest from different companies and researchers. 3D point cloud map is a significant foundation of autonomous driving as it provides essential information for localization and environment perception. However, when trying to gather road information for map creation, the presence of dynamic objects like vehicles, pedestrians, and cyclists will add noise and unnecessary information to the final map. In order to solve the problem, this thesis presents a novel two-stage model that contains a scan-to-scan removal stage and a scan-to-map generation stage. By designing the new three-branch neural network and new attention-based fusion block, the scan-to-scan part achieves a higher mean Intersection-over-Union (mIoU) score. By improving the ground plane estimation, the scan-to-map part can preserve more static points while removing a large number of dynamic points. The test on SemanticKITTI dataset and Scania dataset shows our two-stage model outperforms other baselines. / Autonom körning är ett nytt område som har fått ett allt större intresse från olika företag och forskare. Kartor med 3D-punktmoln är en viktig grund för autonom körning eftersom de ger viktig information för lokalisering och miljöuppfattning. När man försöker samla in väginformation för kartframställning kommer dock närvaron av dynamiska objekt som fordon, fotgängare och cyklister att lägga till brus och onödig information till den slutliga kartan. För att lösa problemet presenteras i den här avhandlingen en ny tvåstegsmodell som innehåller ett steg för borttagning av skanningar och ett steg för generering av skanningar och kartor. Genom att utforma det nya neurala nätverket med tre grenar och det nya uppmärksamhetsbaserade fusionsblocket uppnår scan-to-scan-delen högre mean Intersection-over-Union (mIoU)-poäng. Genom att förbättra uppskattningen av markplanet kan skanning-till-kartor-delen bevara fler statiska punkter samtidigt som ett stort antal dynamiska punkter avlägsnas. Testet av SemanticKITTI-dataset och Scania-dataset visar att vår tvåstegsmodell överträffar andra baslinjer.

In order to reach higher levels of autonomy in autonomous driving, it is important to consider potential occluded traffic participants. Current research has considered occlusion-aware autonomous driving in urban situations. However, no implementations have shown good performance in high velocity situations such as highway driving yet, since the current methods are too conservative in these situations and result in frequent excessive braking. In this work a method is proposed that tracks boundaries on the velocity states of potential hidden traffic using reachability analysis. It is proven that the method can guarantee collision-free trajectories for any, potentially hidden, traffic. The method is evaluated on cut-in scenarios retrieved from a dataset of recorded traffic. The results show that tracking the velocity bounds for potentially hidden traffic results in more efficient trajectories up to 18 km/h faster compared to existing occlusion-aware methods. While the method shows clear improvements, it does not always manage to establish a velocity bound and at times excessive braking still occurs. Further work is thus necessary to ensure consistently well-performing occlusion-aware highway driving. / För att nå högre nivåer av autonomi vid autonom körning är det viktigt att ta hänsyn till möjliga skymda trafikanter. Aktuell forskning har övervägt skymd-sikt-medveten autonom körning i urbana situationer. Emellertid har inga implementeringar visat bra prestanda i höghastighetssituationer såsom motorvägskörning ännu, eftersom de nuvarande metoderna är för konservativa i dessa situationer och resulterar i frekventa överdrivna inbromsningar. I detta arbete föreslås en metod som bestämmer gränser för hastighetstillstånden för möjlig skymd trafik med hjälp av nåbarhetsanalys. Det är bevisat att metoden kan garantera kollisionsfria banor för all möjlig skymd trafik. Metoden utvärderas på scenarier hämtade från ett dataset av registrerad trafik. Resultaten visar att bestämning av hastighetsgränserna för möjlig skymd trafik resulterar i effektivare banor upp till 18 km/h snabbare jämfört med befintliga skymd-sikt-medvetna-metoder. Även om metoden visar tydliga förbättringar, lyckas den inte alltid fastställa en hastighetsgräns och ibland förekommer fortfarande överdriven inbromsning. Ytterligare arbete är därför nödvändigt för att säkerställa konsekvent välpresterande motorvägskörning under skymd sikt.

Two crucial functionalities of a fully autonomous robotic agent are localization and navigation. The problem of enabling an agent to localize itself in an unknown environment is an extensive and widely studied topic. One of the main areas of this topic focuses on Simultaneous Localization and Mapping (SLAM). Many advancements in this field have been made over the years resulting in robust and accurate localization systems. Navigation progress has also improved substantially throughout the years resulting in efficient path planning algorithms and effective exploration strategies. Although an abundance of research exists on these two topics, less so exists about the combination of the two and their effect on each other. Therefore, the aim of this thesis was to integrate two state-of-the-art components from each respective area of research into a functioning system. This was done with the aim of studying the interconnectivity between these components while also documenting the integration process and identifying important considerations for similar future endeavours. Evaluations of the system showed that it performed with surprisingly good accuracy although it was severely lacking in robustness. Integration efforts showed good promise; however, it is clear that the two fields are heavily linked and need to be considered in a mutual context when it comes to a complete integrated system. / Förmågor som lokalisering och navigering är inom robotik förutsättande för att kunna möjliggöra en fullt autonom agent. Att för en agent kunna lokalisera sig i en okänd miljö är ett omfattande och brett studerat ämne, och ett huvudfokus inom ämnet är Simultaneous Localization and Mapping (SLAM) som avser lokalisering som sker parallellt med en aktiv kartläggning av omgivningen. Stora framsteg har gjorts inom detta område genom åren, vilket har resulterat i robusta och exakta system för robotlokalisering. Motsvarande framsteg inom robotnavigering har dessutom möjliggjort effektiva algoritmer och strategier för path planning och autonom utforskning. Trots den stora mängd forskning som existerar inom ämnena lokalisering och navigation var för sig, är samspelet mellan de två områdena samt möjligheten att sammankoppla de två aspekterna mindre studerat. I syfte att undersöka detta var målet med detta examensarbete således att integrera två toppmoderna system från de respektive områdena till ett sammankopplat system. Utöver att förmågorna och prestandan hos det integrerade systemet kunde studeras, genomfördes studien med avsikten att möjliggöra dokumentering av integrationsprocessen samt att viktiga insikter kring integrationen kunde identifieras i syfte att främja framtida studier inom samspelet mellan områdena lokalisering och navigation. Utvärderingar av det integrerade systemet påvisade en högre nivå av noggrannhet än förväntat, men fann en markant avsaknad av robusthet. Resultaten från integrationsarbetet anses lovande, och belyser framförallt att finns ett starkt samband mellan de två områdena samt att de bör beaktas i ett gemensamt kontext när de avses användas i ett komplett integrerat system.

This thesis project is part of an internship at Visual Behavior. The company aims at producing computer vision models for robotics, helping the machine to better understand the world through the camera eye. The image holds many features that deep learning models are able to extract: navigable area, depth inference and object detection. Example of recent advances are the RAFTstereo model [1] to infer or refine depth features from stereo images, or the end-to-end Object detection model DETR [2]. The field of autonomous navigation can then benefit from these advanced features to propose better path planning methods. In particular, to help the deployment of ground robots in human crowded environments, the robots behavior must not only be safe but it must also look smart so as to inspire trust. This thesis proposes a local path planner based on the Dynamic Window Approach [3] using a scoring function inspired from the Velocity Obstacle method [4] so as to benefit from the flexibility of the first and the long-term anticipation of the second. The proposed method can induce a smart behavior by setting the robot on safe tracks from a long time horizon without increasing the time to reach a positional goal, compared to a closer-ranged strategy inspired from the DW4DO method [5]. This improves the robot’s ability to deal with several moving obstacles and to avoid engaging in already occupied corridors. The code produced in this thesis uses ROS and the gazebo simulator and is available in the following git page https://github.com/FloCoic oi/fc_thesis along with the minimal instructions to run the install and get started to quickly run a demo. / Detta examensarbete är en del av en praktik på Visual Behavior. Företaget har som mål att ta fram modeller för datorseende för robotar som hjälper maskinen att bättre förstå världen genom kamerans öga. Bilden innehåller många egenskaper som modeller för djupinlärning kan extrahera: navigerbart område, djupinferens och objektsdetektering. Exempel på nya framsteg är RAFT-stereo-modellen [1] för att härleda eller förfina djupegenskaper från stereobilder, eller ”end-to-end” objektdetektering modellen DETR [2]. Inom området autonom navigering kan man sedan dra nytta av dessa avancerade funktioner för att föreslå bättre metoder för vägplanering. För att underlätta användningen av markrobotar i miljöer med mycket människor måste robotarnas beteende inte bara vara säkert utan också se smart ut så att de väcker förtroende. I den här avhandlingen föreslås en lokal vägplanerare som bygger på Dynamic Window Approach [3] och som använder en poängfunktion inspirerad av Velocity Obstacle metoden [4] för att dra nytta av flexibiliteten hos den första metoden och den långsiktiga förutsebarheten hos den andra. Den föreslagna metoden kan framkalla ett smart beteende genom att sätta roboten på säkra spår på lång sikt utan att öka tiden för att nå ett positionsmål, jämfört med en strategi med närmare avstånd som inspirerats av DW4DOmetoden [5]. Detta förbättrar robotens förmåga att hantera flera rörliga hinder och att undvika att gå in i redan upptagna korridorer. Koden som produceras i denna avhandling använder ROS och gazebosimulatorn och finns tillgänglig på följande git-sida https://github.c om/FloCoicoi/fc_thesis tillsammans med minimala instruktioner för att köra installationen och komma igång för att snabbt köra en demo.

No description available.

Traffic coordination is an essential challenge in vehicle automation. The challenge is not only about maximizing the revenue/productivity of a fleet of vehicles, but also about avoiding non feasible states such as collisions and low energy levels, which could make the fleet inoperable. The challenge is hard due to the complex nature of the real time traffic and the large state space involved. Reinforcement learning and simulation-based search techniques have been successful in handling complex problem with large state spaces [1] and can be used as potential candidates for traffic coordination. In this degree project, a variant of these techniques known as Dyna-2 [2] is investigated for traffic coordination. A long term memory of past experiences is approximated by a neural network and is used to guide a Temporal Difference (TD) search. Various features are proposed, evaluated and finally a feature representation is chosen to build the neural network model. The Dyna-2 Traffic Coordinator (TC) is investigated for its ability to provide supervision for handling vehicle bunching and charging. Two variants of traffic coordinators, one based on simple rules and another based on TD search are the existing baselines for the performance evaluation. The results indicate that by incorporating learning via a long-term memory, the Dyna-2 TC is robust to vehicle bunching and ensures a good balance in charge levels over time. The performance of the Dyna-2 TC depends on the choice of features used to build the function approximator, a bad feature choice does not provide good generalization and hence results in bad performance. On the other hand, the previous approaches based on rule-based planning and TD search made poor decisions resulting in collisions and low energy states. The search based approach is comparatively better than the rule-based approach, however it is not able to find an optimal solution due to the depth limitations. With the guidance from a long term memory, the search was able to generate a higher return and ensure a good balance in charge levels. / Trafikkoordinering är en grundläggande utmaning för att autonomisera fordon. Utmaningen ligger inte bara i att maximera inkomsten/produktiviteten hos en fordonsflotta utan även i att undvika olämpliga tillstånd, så som krockar och brist på energi vilka skulle kunna göra flottan obrukbar. Utmaningen är svår på grund av den komplexa naturen hos trafik i realtid och det stora tillståndsrummet som innefattas. Förstärkningsinlärning och simulationsbaserade söktekniker har varit framgångsrika metoder för att hantera komplexa problem med stora tillståndsrum [1] och kan ses som en potentiell kandidat för trafikkoordinering. Detta examensarbete undersöker en variant av dessa tekniker, känd som Dyna-2 [2], applicerat på trafikkoordinering. Ett långsiktigt minne av tidigare erfarenheter approximeras med ett neuron nät och används för att vägleda en Temporal Difference (TD) sökning. Olika attribut föreslås, utvärderas och sätts sedan samman till en representation att bygga nätverket kring. Dyna-2 Trafikkoordinator (TC) undersöks för dess färdighet att ge beslutsstöd för hantering av grupperade fordon och laddning. Två varianter av trafikkoordinerare, en baserad på enkla regler och en baserad på TD-sökningen, används som grund för utvärderingen av prestanda. Resultaten indikerar att genom inkludering av inlärning via ett långsiktigt minne så är Dyna-2 TC en robust metod för att hantera grupperade fordon och ger en god balans av laddningsnivå över tid. Prestandan hos Dyna-2 TC beror på valet av de attribut som används för att bygga approximeringsfunktionen, sämre val av attribut generaliserar inte bra vilket då resulterar i dålig prestanda. Å andra sidan, de tidigare tillvägagånssätten baserade på planering genom regler och TD-sökning tog dåliga beslut vilket resulterade i kollisioner och tillstånd med låga laddningsnivåer. Jämfört med att basera på regler så är den sökbaserade metoden bättre, den lyckades dock inte hitta en optimal lösning på grund av begränsningar hos sökdjupet. Med vägvisning från ett långsiktigt minne så sökningen kunde sökningen generera högre avkastning och säkerställa en god balans hos laddningsnivåerna.

One central challenge for Autonomous Driving (AD) systems is ensuring functional safety. This is affected by all parts of vehicle automation systems: environment perception, decision making, and actuation. The AD system manages its activity towards achieving its goals to maintain in the safety domain, upon an environment using observation through sensors and consequent actuators. Therefore, this research investigates the operational safety for the AD system. In this research, a simulation for the Autonomous Emergency Braking (AEB) system and a simple scenario are constructed on CARLA, an open-source simulator for autonomous driving systems, to investigate the factors that impact the performance of the AEB system. The time-series data that influence the AEB are collected and fed into three time-series analysis algorithms, Autoregressive Integrated Moving Average model (ARIMA), regression tree and Long short-term memory (LSTM), to select a suitable time-series algorithm to be used for the AEB system. The results show that weather, the measurement range of the sensors, and noise can affect the results of the AEB system. After comparing the performance of these three time-series algorithms through contrasting the recall and precision of these three algorithms to detect noise in the data, the results can be obtained that LSTM has the better performance for long-term analysis. And ARIMA is more suitable for short-term time-series analysis. LSTM is chosen to analyze the time-series data, since the long-term time-series analysis is necessary for the AEB system and it can detect the noise in the variables of the AEB system with better performance. / En central utmaning för AD system är att säkerställa funktionell säkerhet. Detta påverkas av alla delar av fordonsautomatiseringssystem: miljöuppfattning, beslutsfattande och aktivering. AD -systemet hanterar sin aktivitet för att uppnå sina mål att upprätthålla inom säkerhetsområdet, i en miljö som använder observation genom sensorer och därav följande ställdon. Därför undersöker denna forskning den operativa säkerheten för AD systemet. I denna forskning konstrueras en simulering för AEB -systemet och ett enkelt scenario på CARLA, en simulator med öppen källkod för autonoma körsystem, för att undersöka de faktorer som påverkar prestandan för AEB systemet. Tidsseriedata som påverkar AEB samlas in och matas in i tre tidsserieanalysalgoritmer, ARIMA, regressionsträd och LSTM, för att välja en lämplig tidsserie-algoritm som ska används för AEB systemet. Resultaten visar att väder, mätområdet för sensorerna och brus kan påverka resultaten av AEB systemet. Efter att ha jämfört prestandan för dessa tre tidsserie-algoritmer genom att kontrastera återkallelsen och precisionen för dessa tre algoritmer för att detektera brus i data kan resultaten erhållas att LSTM har bättre prestanda för långsiktig analys. Och ARIMA är mer lämpad för korttidsanalyser i tidsserier. LSTM väljs för att analysera tidsseriedata, eftersom långsiktig tidsserieanalys är nödvändig för AEB systemet och det kan detektera bruset i variablerna i AEB system med bättre prestanda.

Visual Odometry (VO) is the process of estimating the relative motion of a vehicle by using solely image data gathered from the camera. In underwater environments, VO becomes extremely challenging but valuable since ordinary sensors for on-road localization are usually unpractical in these hostile environments. For years, VO methods have been purely based on Computer Vision (CV) principles. However, the recent advances in Deep Learning (DL) have ushered in a new era for VO approaches. These novel methods have achieved impressive performance with state-of-the-art results on urban datasets. Nevertheless, little effort has been made to push learning-based research towards natural environments, such as underwater. Consequently, this work aims to bridge the research gap by evaluating the effectiveness of the learning-based approach in the navigation of Autonomous Underwater Vehicles (AUVs). We compare two learning-based methods with a traditional feature-based method on the Underwater Caves dataset, a very challenging dataset collected in the unstructured environment of an underwater cave complex. Extensive experiments are thus conducted training the models on this dataset. Moreover, we investigate different aspects and propose several improvements, such as sub-sampling the video clips to emphasize the camera motion between consecutive frames, or training exclusively on images with relevant content discarding those with dark borders and representing solely sandy bottoms. Finally, during the training, we also leverage underwater images from other datasets, hence acquired from different cameras. However, the best improvement is obtained by penalizing rotations around the x-axis of the camera coordinate system. The three methods are evaluated on test sequences that cover different lighting conditions. In the most favorable environments, although learning-based methods are not up to par with the feature-based method, the results show great potential. Furthermore, in extreme lighting conditions, where the feature-based baseline sharply fails to bootstrap, one of the two learning-based methods produces instead qualitatively good trajectory results, revealing the power of the learning-based approach in this peculiar context. / Visuell Odometri (VO) används för att uppskatta den relativa rörelsen för ett fordon med hjälp av enbart bilddata från en eller flera kameror. I undervattensmiljöer blir VO extremt utmanande men värdefullt eftersom vanliga sensorer för lokalisering vanligtvis är opraktiska i dessa svåra miljöer. I åratal har VO-metoder enbart baserats på klassisk datorseende. De senaste framstegen inom djupinlärning har dock inlett en ny era för VO-metoder. Dessa nya metoder har uppnått imponerande prestanda på dataset urbana miljöer. Trots detta har ganska lite gjorts för att driva den inlärningsbaserad forskningen mot naturliga miljöer, till exempel under vattnet. Följaktligen syftar detta arbete till att överbrygga forskningsgapet genom att utvärdera effektiviteten hos det inlärningsbaserade tillvägagångssättet vid navigering av autonoma undervattensfordon (AUV). Vi jämför två inlärningsbaserade metoder med en traditionell nyckelpunktsbaserad metod som referens. Vi gör jämförelsen på Underwater Caves-datasetet, ett mycket utmanande dataset som samlats in i den ostrukturerade miljön i ett undervattensgrottkomplex. Omfattande experiment utförs för att träna modellerna på detta dataset. Vi undersöker också olika aspekter och föreslår flera förbättringar, till exempel, att delsampla videoklippen för att betona kamerarörelsen mellan på varandra följande bildrutor, eller att träna på en delmängd av datasetet bestående uteslutande på bilder med relevant innehåll för att förbättra skattningen av rörelsen. Under träningen utnyttjar vi också undervattensbilder från andra datamängder, och därmed från olika kameror. Den bästa förbättringen uppnås dock genom att straffa skattningar av stora rotationer runt kamerakoordinatsystemets x-axel. De tre metoderna utvärderas på testsekvenser som täcker olika ljusförhållanden. I de mest gynnsamma miljöerna visar resultaten stor potential, även om de inlärningsbaserade metoder inte är i nivå med den traditionella referensmetoden. Vid extrema ljusförhållanden, där referensmetoden misslyckas att ens initialisera, ger en av de två inlärningsbaserade metoderna istället kvalitativt bra resultat, vilket demonstrerar kraften i det inlärningsbaserade tillvägagångssättet i detta specifika sammanhang.

Multi-agent information gathering (MA-IG) enables autonomous robots to cooperatively collect information in an unfamiliar area. In some scenarios, the focus is on gathering the true mapping of a physical quantity such as temperature or magnetic field. This thesis proposes a computationally efficient algorithm known as multi-agent RRT-clustered Stackelberg game (MA-RRTc-SG) to solve MA-IG. During exploration, measurements are taken along robot paths to update the belief of a Gaussian process (GP), which gives a continuous estimation of the physical process. To seek informative paths, agents first resort to self-planning: one individually generates a number of choices using sampling-based algorithms and preserves informative ones. Then, paths from different robots are combined and investigated based on a multi-player Stackelberg game. The Stackelberg game ensures robots select the combination of paths that yield maximum system reward. The reward function plays an important role in the aforementioned two steps. In our work, robots are awarded for selecting informative paths and punished for hazardous movements and large control inputs. In experiments, we first conduct variation studies to investigate the influence of key parameters in the proposed algorithm. Then, the algorithm is tested in a simulation case to map the radiation intensity in a nuclear plant. Results show that using our algorithm, robots are able to collect information in an efficient and cooperative way compared to random exploration. / Multi-agent informationsinsamling gör det möjligt för autonoma robotar att samarbeta samla in information i ett okänt område. I vissa scenarier ligger fokus på att samla in den verkliga kartläggningen av en fysisk storhet som temperatur eller magnetfält. Den här avhandlingen föreslår en beräkningseffektiv algoritm som kallas multi-agent RRT-clustered Stackelberg game (MA-RRTc-SG) för att lösa multi-agent informationsinsamling. Under prospektering görs mätningar längs robotbanor för att uppdatera tron på en Gaussisk process, vilket ger en kontinuerlig uppskattning av den fysiska processen. För att söka informativa vägar tillgriper agenter först självplanering: man genererar individuellt ett antal val med hjälp av samplingsbaserade algoritmer och bevarar informativa. Sedan kombineras och undersöks vägar från olika robotar utifrån en Stackelberg spel för flera spelare. Stackelberg spelet säkerställer att robotar väljer kombinationen av vägar som ger maximal systembelöning. Belöningsfunktionen spelar en viktig roll i de ovan nämnda två stegen. I vårt arbete belönas robotar för att välja informativa vägar och straffas för osäkra rörelser och stora kontrollingångar. I experiment genomför vi först variationsstudier för att undersöka inverkan av nyckelparametrar i den föreslagna algoritmen. Därefter testas algoritmen i ett simuleringsfall för att kartlägga strålningsintensiteten i ett kärnkraftverk. Resultaten visar att med vår algoritm kan robotar samla in information på ett effektivt och samarbetssätt jämfört med slumpmässig utforskning.

Problemområdet som uppsatsen belyser är sambandet mellan organisationstillhörighet och autonom motivation inom IT-konsultbranschen. Forskning om dessa områden har tidigare utförts främst var för sig, men har på senare år kopplats mer och mer samman. Dessutom har undersökningarna inom konsultbranschen enbart gjorts på bemanningsföretag. Utifrån sambandet och i förhållande till nuvarande teorier tas tre hypoteser fram och prövas. Metoden som använts i undersökningen är en enkätundersökning bestående av frågor angående organisationstillhörighet och motivation. Undersökningen genomfördes på två IT-konsultföretag i Skåne, Sverige, där 63 IT-konsulter medverkade. Detta material analyserades sedan utifrån de teorier som tagits upp. Resultatet visade att det finns ett positivt samband mellan IT-konsulternas upplevda organisationstillhörighet och autonom motivation, men att organisationstillhörighet inte är lika viktigt för externa IT-konsulter (arbetsplats på kundföretaget) som för interna IT-konsulter (arbetsplats på konsultföretaget). Resultatet bekräftar även att motivationen hos de interna IT-konsulterna var lägre än hos de externa IT-konsulterna. Vidare forskning behöver göras för att kunna öka förståelsen om sambandet mellan organisationstillhörighet och motivation inom IT-konsultbranschen; att ta in fler faktorer i sambandet, förslagsvis flexibilitet, och att undersöka vidare vilket av områdena som påverkar det andra. / The problem in focus in this thesis highlights the correlation between organizational commitment and autonomous motivation within the IT consulting business. Research within these areas has earlier mainly been conducted separated from each other, but recent research has aimed at merging the two areas together. In addition research within the consulting business has solely been made within temporary staffing agencies. Three hypotheses are developed and tested with a base in the correlation and the connection made with existing theories. The method used in the research was a survey consisting of questions regarding organizational commitment and autonomous motivation. The survey was conducted on two IT consulting firms in Skåne, Sweden, and a total of 63 IT consultants participated. The material was analyzed with regards to the existing theories. The results showed that there is a positive relationship between the IT consultants’ perceived organizational commitment and autonomous motivation, but that organizational commitment is not as important for external IT consultants (workplace at the client company) as for internal IT consultants (workplace at the consulting firm). The result also confirmed that the motivation of the internal IT consultants was lower than among the external IT consultants. Further research is needed to increase the knowledge regarding the correlation between organizational commitment and motivation within the IT consulting business; to include more factors in the correlation, flexibility as a suggestion, and to further research which area that affects the other area.