Karlstads kommun innehar en så kallad solkarta vars syfte är att ge kommunens invånare en översikt över hur mycket solenergi som infaller på varje individuell takyta och kan användas som underlag för beslut om installation av solpaneler på byggnadstak. Kartan är interaktiv och sträcker sig över hela kommunen. Tyvärr brister den i detaljnivå utanför Karlstad tätort och skulle behöva en uppdatering. Syftet med studien är att undersöka metoder att utvinna tvådimensionella takplansytor enligt LOD2 utifrån byggnadsfotavtryck och punktmolnsdata, som sedan ska kunna lägga grunden till en interaktiv solkarta. Tre metoder för takplanssegmentering valdes ut som baserades på tre olika GIS-mjukvaror: ArcGIS Pro, Whitebox Tools och TerraScan. Studieområdet, beläget på industriområdet Våxnäs i Karlstad, bestod av 68 byggnader med varierande taktyper av olika hög komplexitet. En ytterligare dimension till studien var att två olika indatamängder jämfördes för varje segmenteringsmetod: ett högupplöst fotogrammetriskt framställt punktmoln utifrån bilder tagna med UAV (Unmanned Aerial Vehicle) samt ett lägre upplöst punktmoln insamlat med flygburen laserskanning. Totalt erhölls sex olika resultat som utvärderades efter fullständighet och utseende. Den högsta medelfullständigheten för varje metod var: 99,6 % för metoden baserad på TerraScan, 90,2 % för metoden baserad på Whitebox Tools och 82,0 % för metoden baserad på ArcGIS Pro. Gällande indatamängder gav UAV-datamängden ca 6 procentenheter bättre medelfullständighet för de två bästa metoderna och 10 procentenheter lägre för metoden som funkade sämst. Gällande användbarheten av resultaten är kontentan att TerraScan-metoden hade lagt en bra grund för en solkarta. Whitebox Tools-metoden hade sannolikt också kunnat vara användbar om en förbättrad generaliseringsalgoritm i efterbearbetningen hade applicerats. Studien diskuterar skillnader, felkällor samt nämner några ytterligare beprövade metoder som aldrig färdigställdes på grund av odugliga resultat. Problem som återstår att lösa är hantering av hål i punktmolnsdata inför takplanssegmentering. / Karlstad Municipality has what is known as a solar radiation map with the purpose of providing an overview of how much solar irradiance that is received by individual roof planes. It serves as a basis for decisions regarding the installation of solar panels on building roofs. The map is interactive and covers the entire municipality. Unfortunately, it lacks detail outside the city of Karlstad and would benefit from an update. The study aims to explore methods for extracting two-dimensional roof planes according to LOD2 (Level of Detail 2) using building footprints and point cloud data. The roof planes could later form the foundation for an interactive solar map. Three methods for roof segmentation were examined, each based on different software: ArcGIS Pro, Whitebox Tools, and TerraScan. The study area, located in the Våxnäs industrial area in Karlstad consisted of 68 buildings with varying roof types and complexities. An additional dimension to the study involved comparing two different input datasets for each segmentation method: a high-resolution photogrammetric point cloud generated from UAV (Unmanned Aerial Vehicle) images and a lower-resolution point cloud collected with airborne laser scanning. In total, six different results were evaluated based on completeness and appearance. The highest mean completeness for each method was: 99,6 % for the TerraScan-based method, 90,2 % for the Whitebox Tools-based method and 82,0 % for the ArcGIS Pro-based method. Regarding input datasets, the two best methods showed an increase of approximately 6 percentage points in mean completeness for the UAV dataset, while the least effective method showed a decrease of 10 percentage points. In terms of practicality, the TerraScan method provided a solid basis for a solar map. The Whitebox Tools method could most likely be usable if a better generalization algorithm in post-processing is cultivated. The study also discusses differences, potential sources of error, and mentions some additional methods that were not fully developed due to inadequate results. Remaining challenges include addressing gaps of missing data in point clouds before roof plane segmentation.

The threat against industrial networks have increased, which raises the demands on the industries cybersecurity. The industrial networks are not constructed with cybersecurity in mind, which makes these systems vulnerable to attacks. Even if the networks outer protection is deemed sufficient, the system may still be infected. This risk demands an intrusion detection system (IDS) that can identify infected components. An IDS scans all traffic of a point in the network and looks for traffic matching its detections parameters, if a match is made the IDS will send an alarm to the administrators. It can also analyze the network traffic using a behavior based method which means that the IDS will alert administrators if network activity deviates from the normal traffic flow. It is of vital essence that the IDS do not impair with the system, an outage of the industrial process can have a high cost for the industry. This report aims to put forward plans for the implementation of an IDS in one of Mälarenergi AB’s industrial networks, this will be made using the Bro and Snort intrusion detection systems. / Hoten mot industrinätverken har blivit större vilket har ställt högre krav på industriernas cybersäkerhet. Industrinätverk är ofta inte konstruerade med cybersäkerhet i åtanke, vilket har gjort dessa system sårbara mot attacker. Även om nätverkets yttre skydd anses gott går det inte att vara säker på att ett industrinätverk förblir osmittat. Detta ställer krav på någon form av intrångsdetekteringssystem (IDS) som kan upptäcka infekterad utrustning och suspekt datatrafik i nätverket. En IDS skannar alla paket vid en viss punkt i nätverket, om IDS:en upptäcker något paket som matchar med dess signatur kommer den att larma en administratör. IDS:en kan även använda beteendeanalys där den larmar om nätverksaktiviteten avviker från det normala. Det är mycket viktigt att en IDS inte orsakar avbrott i industriprocessen, om en process stannar kan det innebära stora kostnader för industrin. Denna rapport syftar till att lämna ett lösningsförslag på en IDS-implementation till ett av Mälarenergi AB: s processnätverk, lösningen konstruerades med hjälp av IDS:erna Bro och Snort. / <p>Vissa bilder i den elektroniska rapporten har tagits bort av upphovrättsliga skäl. Författarna har bedömt att rapporten är förståelig även utan dessa bilder. </p>

Att hitta instrument för att efterlikna den mänskliga näsan har under en längre tid varit ett område som intresserar forskare. Dessa instrument kan potentiellt vara ett användbart verktyg för att uppnå FN:s uppsatta globala mål för att nå en hållbar utveckling, Agenda 2030. Projektet är en experimentell kvantitativ studie och syftet är att undersöka möjligheten att ta fram ett fristående mätsystem för detektering och identifiering av sur mjölk och ruttet kött i ett kylskåp. Ett trådlöst mätsystem med en serie gassensorer är framtaget tillsammans med ett gränssnitt för fjärrstyrning. Mätningar utfördes på kända mätobjekt under två veckor. Därefter utfördes mätningar på okända mätobjekt under lika lång tid. Resultatet från studien visade att det framtagna mätsystemet kan detektera och identifiera sur mjölk och ruttet kött utan extern programvara. Mätsystemet en tillförlitlighet på 89% när det gäller att klassificera okända mätobjekt. Denna studie visar att mätsystemet kan detektera och identifiera sur mjölk och ruttet kött via fjärrstyrning. / To find devices mimicking the human nose have under some time been an area of interest for researchers. These devices can potentially be a useful tool to achieve UN: s global goals for sustainable development, Agenda 2030. This project is an experimental quantitative study with the aim to investigate the possibility to create a stand-alone measuring system for detecting and identifying spoiled milk and rotten meat in a fridge. A wireless measuring system with an array of gas sensors was developed together with interface for remote control. Measurements was made from known measuring objects for two weeks. Thereafter measurements of unknown measuring objects were also done for two weeks. The result of the study showed that the developed measuring system can be remotely controlled to detect and identify spoiled milk and rotten meat without external software. The measuring system has an accuracy of 89% when it comes to classify unknown measurement objects. This study shows that the measuring system can detect and identify spoiled milk and rotten meat via remote control.

New technology in radar opens up new possibilities for cheap and easily integrated human body presence detection. In this work, we aim to make a proof of concept that replaces the "dead man’s grip" on an electric surfboard with a more convenient wireless system based on micro radars. To answer the research questions identified, an artifact was created. To guide the research process and ensure that rigorous methods are used for constructing and evaluating the artifact, this thesis employs the research paradigm Design Science Research. The result was that the radar signal is completely degraded without a radome when the radar is wet. With a radome, the signal strength is a third wet compared to dry. Therefore, a radome is required to protect the radar and its function from the elements. The need for blockage detection was also defined. Observing how the direct leakage signal deviates from its normal state can determine whether the sensor is being blocked. Several algorithms were developed and tuned to prove the concept. Coverage and detection speed was tested and optimized. Overall, the potential of micro radars to replace a dead man’s grip on a surfboard is very promising. / Ny radarteknik öppnar nya möjligheter för billig och lättintegrerad upptäckt av människokroppens närvaro. I det här arbetet vill vi göra ett konceptbevis som ersätter "dödmansgreppet" på en elektrisk surfbräda med ett bekvämare trådlöst system baserat på mikroradar. För att besvara de identifierade forskningsfrågorna skapades en artefakt. För att vägleda forskningsprocessen och se till att rigorösa metoder används för att konstruera och utvärdera artefakten används forskningsparadigmet Design Science Research i denna avhandling.  Resultatet var att radarsignalen försämras fullständigt utan radom när radarn är våt. Med en radome är signalstyrkan en tredjedel våt jämfört med torr. Därför krävs en radome för att skydda radarn och dess funktion från väder och vind. Behovet av blockaddetektering definierades också. Genom att observera hur den direkta läckagesignalen avviker från sitt normala tillstånd kan man avgöra om sensorn är blockerad. Flera algoritmer utvecklades och justerades för att bevisa konceptet. Täckning och detektionshastighet testades och optimerades. På det hela taget ser mikroradarns potential att ersätta dödmansgrepp på en surfbräda mycket lovande ut.

Tolkningen av EKG är en viktig metod vid diagnostisering av onormala hjärttillstånd och kan användas i förebyggande syfte att upptäcka tidigare okända hjärtproblem. Att enkelt kunna mäta sitt EKG och få det analyserat och presenterat på ett pedagogiskt sätt utan att behöva rådfråga en läkare är något det finns ett konsumentbehov av. Denna rapport beskriver hur en EKG-signal behandlas med olika algoritmer och metoder i syfte att detektera hjärtslag och dess olika parametrar. Denna information används till att klassificera varje hjärtslag för sig och därmed avgöra om användaren har en normal eller onormal hjärtfunktion. För att nå dit har en mjukvaruprototyp utvecklats där algoritmerna implementerats. En enkätundersökning gjordes i syfte att undersöka hur utdata från mjukvaruprototypen skulle presenteras för en vanlig användare utan medicinsk utbildning. Sju filer med EKG-signaler från MIT-BIH Arrhythmia Database användes för testning av mjukvaruprototypen. Resultatet visade att prototypen kunde detektera en rad olika hjärtfel som låg till grund vid fastställning om hjärtat slog normalt eller onormalt. Resultatet presenterades på en mobilapp baserad på enkätundersökningen. / The interpretation of the ECG is an important method in the diagnosis of abnormal heart conditions and can be used proactively to discover previ-ously unknown heart problems. Being able to easily measure the ECG and get it analyzed and presented in a clear manner without having to consult a doctor is improtant to satisfy consumer needs. This report describes how an ECG signal is treated with different algo-rithms and methods to detect the heartbeat and its various parameters. This information is used to classify each heartbeat separately and thus determine whether the user has a normal or abnormal cardiac function. To achieve this a software prototype was developed in which the algorithms were implemented. A questionnaire survey was done in order to examine how the output of the software prototype should be presented for a user with no medical training. Seven ECG files from MIT-BIH Arrhythmia database were used for validation of the algorithms. The developed algorithms could detect of if any abnormality of heart function occurred and informed the users to consult a physician. The presentation of the heart function was based on the result from the questioner.

The Fifth Generation (5G) mobile communication system is the latest technology in wireless communications. This technique brings several advantages, in particular by using multiple receiver antennas that serve multiple transmitters. This configuration used in 5G is called Massive Multiple Input Multiple Output (MIMO), and it increases link reliability and information throughput. However, MIMO systems face two challenges at link layer: channel estimation and MIMO detection. In this work, the focus is only on the MIMO detection problem. It consists in retrieving the original messages, sent by the transmitters, at the receiver side when the received message is a noisy signal. The optimal technique to solve the problem is called Maximum Likelihood (ML), but it does not scale and therefore with MIMO systems it cannot be used. Several sub-optimal techniques have been tested during years in order to solve MIMO detection problem, trying to balance the complexity-performance trade-off. In recent years, Approximate Message Passing (AMP) based techniques brought interesting results. Moreover, deep learning (DL) is spreading in several and different fields, and also in MIMO detection, it has been tested with promising results. A neural network called MMNet brought the most interesting results, but new techniques have been developed. These new techniques, despite they are promising, have not been compared with MMNet. In this thesis, two new techniques AMP and DL based, called Ortoghonal AMP Network Second (OAMP-Net2) and Learnable Vector AMP (LVAMP), have been tested and compared with the state of art. The aim of the thesis is to discover if one or both the techniques can provide better results than MMNet, in order to discover a valid alternative solution while dealing with MIMO detection problem. OAMP-Net2 and LVAMP have been developed and tested on different channel models (i.i.d. Gaussian and Kronecker) and on MIMO systems of different sizes (small and medium-large). OAMP-Net2 revealed to be a consistent technique that can be used in solving MIMO detection problem. It provides interesting results on both i.i.d Gaussian and Kronecker channel models and with different sizes matrices. Moreover, OAMP-Net2 has good adaptability, in fact it provides good results on Kronecker channel models also when it is trained with i.i.d. Gaussian matrices. LVAMP instead has performances that are similar to MMSE, but with a lower complexity. It adapts well to complex channels such as OAMP-Net2. / Femte generationens (5G) mobila kommunikationssystem är den senaste tekniken inom trådlös kommunikation. Denna teknik ger flera fördelar, i synnerhet genom att använda flera mottagarantenner som betjänar flera sändare. Denna konfiguration som används i 5G kallas Massive Multiple Input Multiple Output (MIMO), och den ökar länktillförlitligheten och informationsgenomströmningen. MIMO-system står dock inför två utmaningar i länkskiktet: kanaluppskattning och MIMO-detektering. I detta arbete ligger fokus endast på MIMO-detekteringsproblemet. Den består i att hämta de ursprungliga meddelandena, skickade av sändarna, på mottagarsidan när det mottagna meddelandet är en brusig signal. Den optimala tekniken för att lösa problemet kallas Maximum Likelihood (ML), men den skalas inte och därför kan den inte användas med MIMO-system. Flera suboptimala tekniker har testats under flera år för att lösa MIMO-detekteringsproblem och försöka balansera komplexitet-prestanda-avvägningen. Under de senaste åren har Approximate Message Passing (AMP)-baserade tekniker gett intressanta resultat. Dessutom sprids djupinlärning (DL) inom flera och olika områden, och även inom MIMO-detektering har det testats med lovande resultat. Ett neuralt nätverk kallat MMNet gav de mest intressanta resultaten, men nya tekniker har utvecklats. Dessa nya tekniker, trots att de är lovande, har inte jämförts med MMNet. I detta examensarbete har två nya tekniker AMP- och DL-baserade, kallade Ortoghonal AMP Network Second (OAMP-Net2) och Learnable Vector AMP (LVAMP), testats och jämförts med den senaste tekniken. Syftet med avhandlingen är att ta reda på om en eller båda teknikerna kan ge bättre resultat än MMNet, för att upptäcka en giltig alternativ lösning samtidigt som man hanterar MIMO-detekteringsproblem. OAMP-Net2 och LVAMP har utvecklats och testats på olika kanalmodeller (i.i.d. Gaussian och Kronecker) och på MIMO-system av olika storlekar (small och medium-large).OAMP-Net2 visade sig vara en konsekvent teknik som kan användas för att lösa MIMO-detekteringsproblem. Det ger riktigt intressanta resultat på både i.i.d Gaussian och Kronecker kanalmodeller och med matriser i olika storlekar. Dessutom har OAMP-Net2 god anpassningsförmåga, faktiskt ger den bra resultat på Kronecker kanalmodeller även när den tränas med i.i.d. Gaussiska matriser. LVAMP har istället prestanda som liknar MMSE, men med lägre komplexitet. Den anpassar sig väl till komplexa kanaler somOAMPNet2.

Monitoring wildlife is of great interest to ecologists and is arguably even more important in the Arctic, the region in focus for the research network INTERACT, where the effects of climate change are greater than on the rest of the planet. This master thesis studies how artificial intelligence (AI) and computer vision can be used together with camera traps to achieve an effective way to monitor populations. The study uses an image data set, containing both humans and animals. The images were taken by camera traps from ECN Cairngorms, a station in the INTERACT network. The goal of the project is to classify these images into one of three categories: "Empty", "Animal" and "Human". Three different methods are compared, a DenseNet201 classifier, a YOLOv3 object detector, and the pre-trained MegaDetector, developed by Microsoft. No sufficient results were achieved with the classifier, but YOLOv3 performed well on human detection, with an average precision (AP) of 0.8 on both training and validation data. The animal detections for YOLOv3 did not reach an as high AP and this was likely because of the smaller amount of training examples. The best results were achieved by MegaDetector in combination with an added method to determine if the detected animals were dogs, reaching an average precision of 0.85 for animals and 0.99 for humans. This is the method that is recommended for future use, but there is potential to improve all the models and reach even more impressive results.Teknisk-naturvetenskapliga

Using computer vision to automatically process and understand images is becoming increasingly popular. One frequently used technique in this area is object detection, where the goal is to both localize and classify objects in images. Today's detection models are accurate, but there is still room for improvement. Most models process objects independently and do not take any contextual information into account in the classification step. This thesis will therefore investigate if a performance improvement can be achieved by classifying all objects jointly with the use of contextual information. An architecture that has the ability to learn relationships of this type of information is the transformer. To investigate what performance that can be achieved, a new architecture is constructed where the classification step is replaced by a transformer block. The model is trained and evaluated on document images and shows promising results with a mAP score of 87.29. This value is compared to a mAP of 88.19, which was achieved by the object detector, Mask R-CNN, that the new model is built upon.  Although the proposed model did not improve the performance, it comes with some benefits worth exploring further. By using contextual information the proposed model can eliminate the need for Non-Maximum Suppression, which can be seen as a benefit since it removes one hand-crafted process. Another benefit is that the model tends to learn relatively quickly and a single pass over the dataset seems sufficient. The model, however, comes with some drawbacks, including a longer inference time due to the increase in model parameters. The model predictions are also less secure than for Mask R-CNN. With some further investigation and optimization, these drawbacks could be reduced and the performance of the model be improved.

A significant amount of sex trafficking victims are being advertised on online adult services, which are currently being flooded with spam. Investigators rely on online adult services to track cases of sex trafficking; however, the ever-increasing volume of spam poses a mounting challenge, making their task progressively more difficult. This thesis presents a machine learning-based approach for detecting fake mass-produced advertisements on global online adult service websites. The objective is to aid investigators in tracking sex trafficking by developing a robust spam classifier that minimizes false positives on genuine ads while effectively identifying mass-produced spam. This objective is of utmost importance as it allows for filtering out spam effectively while ensuring that genuine ads are not mistakenly labeled as spam, ensuring their inclusion in crucial investigations. The research involved cleaning advertisement text, generating text embeddings using sentence-BERT, clustering them with DBSCAN, and feature engineering for classification using a random forest classifier. A dataset of two million advertisements was utilized for training and evaluation. The study successfully achieved the crucial goal of minimizing false positives, ensuring that genuine ads are not misclassified as spam. By employing innovative techniques and carefully engineered features, the classifier demonstrates a high level of recall in distinguishing mass-produced spam from authentic ads. Furthermore, the investigation identified key markers of mass-produced spam, such as geographical spread and frequent use of profane language. This research fills a significant research gap, as no previous attempts had been made to classify spam on these websites. The findings not only contribute to the field of machine learning but also provide a comprehensive overview of fraudulent advertisement features, making sex trafficking investigations more efficient. Equipping investigators with a reliable tool to navigate the vast amount of data associated with global online adult service websites, this work plays a crucial role in combating sex trafficking and ensuring the integrity of the investigative process. / En betydande mängd offer för sexhandel annonseras ut på webbplatser som erbjuder eskorttjänster på nätet, som för närvarande översvämmas av skräppost. Poliser använder sig av webbplatser som erbjuder eskorttjänster för att spåra fall av sexhandel, men den ständigt ökande mängden skräppost utgör en allt större utmaning och gör deras uppgift allt svårare. Denna avhandling presenterar en maskininlärningsbaserad metod för att upptäcka falska massproducerade annonser på globala webbplatser som erbjuder eskorttjänster. Målet är att hjälpa poliser att spåra sexhandel genom att utveckla en robust spamklassificerare som minimerar risken att kategorisera äkta annonser som spam, samtidigt som den effektivt identifierar massproducerad spam. Detta mål är av yttersta vikt eftersom det möjliggör effektiv filtrering av skräppost samtidigt som det säkerställer att äkta annonser inte felaktigt märks som skräppost, vilket säkerställer att de inkluderas i viktiga utredningar. Arbetet omfattade tvättning av annonstexterna, generering av ordvektorer med hjälp av sentence-BERT, klustring av vektorerna med hjälp av DBSCAN och definition av särdrag för den klassificering som sedan utfördes med hjälp av en random forest-klassificerare. Ett dataset med två miljoner annonser användes för träning och utvärdering. Studien lyckades uppnå det viktiga målet att minimera falska positiva resultat, vilket säkerställer att äkta annonser inte felklassificeras som skräppost. Tack vare innovativa tekniker och noggrant utformade särdrag uppvisar klassificeraren hög täckning (recall) när det gäller att skilja massproducerad skräppost från autentiska annonser. Dessutom identifierade undersökningen viktiga kännetecken för massproducerad skräppost, såsom geografisk spridning och frekvent användning av grova ord. Denna forskning fyller en betydande forskningslucka, eftersom inga tidigare försök hade gjorts för att klassificera skräppost på dessa webbplatser. Resultaten bidrar inte bara till området maskininlärning utan ger också insikter om bedrägliga annonser, vilket gör utredningar av sexhandel mer effektiva. Genom att förse utredare med ett tillförlitligt verktyg för att navigera i den enorma mängd data som är kopplad till globala webbplatser som erbjuder eskorttjänster spelar detta arbete en avgörande roll i kampen mot sexhandel.

Real-time spatial awareness is essential in areas such as robotics and autonomous navigation. However, as environments expand and become increasingly complex, maintaining both a low computational load and high mapping accuracy remains a significant challenge. This thesis addresses these challenges by proposing a novel method for real-time construction of continuous Euclidean distance fields (EDF) using Gaussian process (GP) regression, hereafter referred to as GP-EDF, tailored specifically for large indoor environments. The proposed approach focuses on leveraging the inherent structural information of indoor spaces by partitioning them into rooms and constructing a local GP-EDF model for each, reducing the computational cost tied to large matrix operations in GPs. By also exploiting the geometric regularities commonly found in indoor spaces it detects walls and represents them as line segments. This information is integrated into the models’ priors to both improve accuracy and further reduce the computational expense. Comparison with two baselines demonstrated the proposed approach’s effectiveness. It maintained low computation times despite increasing amounts of sensor data, signifying a significant improvement in scalability. Results also confirmed that the EDF quality remains high and isn’t affected by partitioning the GP-EDF into local models. The method also reduced the influence of sensor noise on the EDF’s accuracy when incorporating the line segments into the model. Additionally, the proposed room segmentation method proved to be efficient and generated accurately partitioned rooms, with a high degree of independence between them. In conclusion, the proposed approach offers a scalable, accurate and efficient solution for real-time construction of EDFs, demonstrating significant potential in aiding autonomous navigation within large indoor spaces. / Realtidsrumslig medvetenhet är avgörande inom områden som robotik och autonom navigering. Emellertid, när miljöer expanderar och blir alltmer komplexa, kvarstår det en betydande utmaning att bibehålla både en låg beräkningsbelastning och hög kartläggningsnoggrannhet. Denna avhandling bemöter dessa utmaningar genom att föreslå en ny metod för realtidskonstruktion av kontinuerliga euklidiska avståndsfält (EDF) med hjälp av regression via gaussiska processer (GP), hädanefter benämnd GP-EDF, specifikt anpassad för stora inomhusmiljöer. Den föreslagna metoden fokuserar på att utnyttja den inneboende strukturella informationen i inomhusmiljöer genom att dela upp dem i rum och konstruera en lokal GP-EDF-modell för varje rum, vilket minskar den beräkningsbelastning som är kopplad till stora matrisoperationer i GP:er. Genom att även utnyttja de geometriska regelbundenheter som vanligtvis finns i inomhusutrymmen, detekterar den väggar och representerar dem som linjesegment. Denna information integreras sedan i modellernas a priori-fördelningar, både för att förbättra noggrannheten och ytterligare minska den beräkningsmässiga kostnaden. Jämförelse med två baslinjemodeller demonstrerade den föreslagna metodens effektivitet. Den bibehöll låga beräkningstider trots ökande mängder sensordata, vilket indikerar en betydande förbättring av skalbarheten. Resultaten bekräftade även att kvaliteten på EDF:en förblir hög och påverkas inte av uppdelningen av GP-EDF:en i lokala modeller. Metoden minskade även sensorbrusets inverkan på EDF:ens noggrannhet vid integrering av linjesegment i modellen. Dessutom visade sig den föreslagna rumsegmenteringsmetoden vara effektiv och genererade korrekt uppdelade rum, med en hög grad av oberoende mellan dem. Sammanfattningsvis erbjuder den föreslagna metoden en skalbar och effektiv lösning för realtidskonstruktion av EDF:er, och visar på betydande potential att underlätta autonom navigering inom stora inomhusutrymmen.