This thesis examines compression algorithms for time series operational data which are collected from the Controller Area Network (CAN) bus in an automotive Internet of Things (IoT) setting. The purpose of a compression algorithm is to decrease the size of a set of time series data (such as vehicle speed, wheel speed, etc.) so that the data to be transmitted from the vehicle is small size, thus decreasing the cost of transmission while providing potentially better offboard data analysis. The project helped improve the quality of data collected by the data analysts and reduced the cost of data transmission. Since the time series data compression mostly concerns data storage and transmission, the difficulties in this project were where to locate the combination of data compression and transmission, within the limited performance of the onboard embedded systems. These embedded systems have limited resources (concerning hardware and software resources). Hence the efficiency of the compression algorithm becomes very important. Additionally, there is a tradeoff between the compression ratio and real-time performance. Moreover, the error rate introduced by the compression algorithm must be smaller than an expected value. The compression algorithm contains two phases: (1) an online lossy compression algorithm - piecewise approximation to shrink the total number of data samples while maintaining a guaranteed precision and (2) a lossless compression algorithm – Delta-XOR encoding to compress the output of the lossy algorithm. The algorithm was tested with four typical time series data samples from real CAN logs with different functions and properties. The similarities and differences between these logs are discussed. These differences helped to determine the algorithms that should be used. After the experiments which helped to compare different algorithms and check their performances, a simulation is implemented based on the experiment results. The results of this simulation show that the combined compression algorithm can meet the need of certain compression ratio by controlling the error bound. Finally, the possibility of improving the compression algorithm in the future is discussed. / Denna avhandling undersöker komprimeringsalgoritmer för driftdata från tidsserier som samlas in från ett fordons CAN-buss i ett sammanhang rörande Internet of Things (IoT) speciellt tillämpat för bilindustrin. Syftet med en kompressionsalgoritm är att minska storleken på en uppsättning tidsseriedata (som tex fordonshastighet, hjulhastighet etc.) så att data som ska överföras från fordonet har liten storlek och därmed sänker kostnaden för överföring samtidigt som det möjliggör bättre dataanalys utanför fordonet. Projektet bidrog till att förbättra kvaliteten på data som samlats in av dataanalytiker och minskade kostnaderna för dataöverföring. Eftersom tidsseriekomprimeringen huvudsakligen handlar om datalagring och överföring var svårigheterna i det här projektet att lokalisera kombinationen av datakomprimering och överföring inom den begränsade prestandan hos de inbyggda systemen. Dessa inbyggda system har begränsade resurser (både avseende hårdvaru- och programvaruresurser). Därför blir effektiviteten hos kompressionsalgoritmen mycket viktig. Dessutom är det en kompromiss mellan kompressionsförhållandet och realtidsprestanda. Dessutom måste felfrekvensen som införs av kompressionsalgoritmen vara mindre än ett givet gränsvärde. Komprimeringsalgoritmen i denna avhandling benämns kombinerad kompression, och innehåller två faser: (1) en online-algoritm med dataförluster, för att krympa det totala antalet data-samples samtidigt som det garanterade felet kan hållas under en begränsad nivå och (2) en dataförlustfri kompressionsalgoritm som komprimerar utsignalen från den första algoritmen. Algoritmen testades med fyra typiska tidsseriedataxempel från reella CAN-loggar med olika funktioner och egenskaper. Likheterna och skillnaderna mellan dessa olika typer diskuteras. Dessa skillnader hjälpte till att bestämma vilken algoritm som ska väljas i båda faser. Efter experimenten som jämför prestandan för olika algoritmer, implementeras en simulering baserad på experimentresultaten. Resultaten av denna simulering visar att den kombinerade kompressionsalgoritmen kan möta behovet av ett visst kompressionsförhållande genom att styra mot den bundna felgränsen. Slutligen diskuteras möjligheten att förbättra kompressionsalgoritmen i framtiden.

Original equipment manufacturers (OEMs) spend plenty of resources in developing products and establishing a profitable market. This includes time-consuming investigations, costly research and development processes, as well as a great deal of risk-taking. In comparison, certain companies specialise in fitting aftermarket merchandise to established markets of products. These companies copy existing aftermarket products as they supply the consumer an alternative that is often cheaper. These are regarded as ‘will-fitters’. Not only do will-fitters act within the market without the need for a lengthy R&D process, or exposure to high risk, but they also seize market share and thereby compromise OEM part sales. Will-fitters pose a concrete competitive threat to an automotive OEM in the aftermarket. The aftermarket is considered highly lucrative, as profitability is relatively high when compared to the car sales market. As will-fitters are active in the market, spare part market share is lost and pieces of a highly profitable market are seized by such competitors. This study investigates relevant OEM competition barriers for will-fitter deterrence and analyses the effects of implementing these barriers. The findings are based upon a case study performed at an automotive OEM, i.e. Volvo Cars. The case focuses on the OEM’s engine air filter, which is currently highly exposed to competition from alternative suppliers. Through combining theory regarding product development and entry barriers along with empirical findings at the case company, the study concludes six competition barriers that are relevant for the OEM as it faces will-fitters. These barriers are: patenting a utility, increasing the level of product complexity, raising the necessary financial investments, delivering additional value offerings, obtaining a strong customer value perception, and pricing competitively. The study concludes each of the barriers’ potency in competition deterrence and discusses the effects of implementing those barriers on the products’ underlying costs. Finally, it is concluded that these barriers could be implemented in order to deter competition. However, none of the discussed competition barriers has shown to yield complete market dominance for the OEM, i.e. a market without competitors. Rather, an effect in the form of decreasing the amount of competitors has been noted. Admittedly, reducing the sheer quantity of active market players seems favourableto the OEM, but a direct correlation with increased market share cannot be concluded. / Tillverkare av originalutrustning (Original Equipment Manufacturer, OEM) spenderar stora mängder resurser för att utveckla produkter och etablera vinstdrivande marknader. Detta kräver ett stort risktagande då tid och kostsam utveckling utförs utan garanterade intäkter. Till skillnad från OEM-företagen finns företag som enbart fokuserar på att producera eftermarknadsprodukter till redan etablerade marknader. Dessa företag, benämnda “will-fitters”, kopierar existerande eftermarknadsprodukter och erbjuder kunden ett, oftast, billigare alternativ. Will-fitters affärsmodell utgörs därmed av att agera inom etablerade marknader vilket medför drastiskt minskade produktutvecklingskostnader samt lägre risk. Som en konsekvens av will-fitters intåg i marknaden reduceras försäljningen för OEM-företagen. Will-fitters utgör därmed ett konkret hot inom eftermarknaden för en OEM såsom en biltillverkare. Eftermarknaden är en lukrativ marknad då vinstmarginalerna är höga relativt nybilsförsäljning. Då will-fitters är verksamma i marknaden tar de marknadsandelar och därmed tappar OEM en del av en lukrativ marknad. Denna studie undersöker konkurrenshinder relevanta för en OEM att implementera mot will-fitters och analyserar effekterna av att implementera dessa hinder. Resultaten baseras på en fallstudie utförd hos en biltillverkare, Volvo Cars. Studien fokuserar på biltillverkarens motorluftfilter, vilken är utsatt för konkurrens av will-fitters. Genom att kombinera teori gällande produktutveckling och konkurrenshinder med empiri från det studerade företaget togs sex relevanta konkurrens hinder fram för en OEM som konkurrerar med will-fitters. Dessa hinder är: patentering av en produkt, öka produktens komplexitet, höja de nödvändiga investeringarna, bidra med ökat värde, förbättra kundens uppfattning av produkten, sätta ett konkurrenskraftigt pris. Studien konkluderar konkurrenshindrens potential i att avskräcka konkurrens samt diskuterar hur implementation av hindren påverkar produktens underliggande kostnader. Slutligen påvisar studien att konkurrenshindren kan implementeras i syfte att avskräcka konkurrenter. Dock visar studien även att ingen av konkurrenshindren skapar en marknad utan några konkurrenter. Snarare, så är den påvisade effekten att antalet konkurrenter minskar. Visserligen är en reduktion av antalet konkurrenter i marknaden positivt för en OEM men en direkt korrelation med ökad marknadsandel har inte kunnat påvisas.

The topic of the thesis is to build physically similar systems to simulate behaviors of real-life heavy-duty vehicles using LEGO Mindstorms as hardware platform and Buckingham π theorem as theoretical basis for the parameter scaling. The thesis work includes software and hardware system design and theoretical research in order to prove a newly proposed concept: Using LEGO to build a scaled model of real-life vehicles with specific similar physical properties. To implement the work described above, scaled models were built with LEGO and a software and hardware system was developed for controlling the scaled model. Tests were performed both on real-life vehicles and scaled models. A generalized mathematical model for the vehicle was derived in order to interpret the behaviors of the vehicle in a scientific way. Then, test results of both real-life vehicles and the corresponding scaled model were compared with the mathematical model in order to investigate if they have similar behaviors. Finally it was concluded that the scaled model built with LEGO Mindstorms combined with Buckingham π theorem could calculate the speed and turning radius of the physically similar real-life vehicle with an average accuracy of 94.68% within low speed, conservatively speaking. For further investigation and research, similar research could be performed with higher speeds to generalize the conclusions and results. / Uppsatsen ämnar till att bygga ett fysiskt likvärdigt system, som simulerar beteendet av verkliga tunga fordon, med LEGO Mindstorms som hårdvaruplattform och med Buckingham П teoremet som teoretisk grund from skalning av parametrar. Arbetet inkluderar mjukvaru- och hårdvarusystemdesign samt teoretisk forskning för att kunna bevisa ett nyligen föreslaget koncept: Att använda LEGO för att bygga en skalad modell av verkliga fordon med specifika likartade fysiska egenskaper. För att implementera det ovan föreslagna arbetet, byggdes skalade modeller i LEGO samt ett kombinerat hård- och mjukvarusystem för att styra den skalade modellen. Tester utfördes på både riktiga lastbilar samt de skalade modellerna. För att kunna identifiera parametrar samt simulera och tyda fordonens beteende så adapterades en generell matematisk modell. Testresultaten för på verkliga samt motsvarande skalade modeller jämfördes med den matematiska modellen för att påvisa om beteendet är likartat. Till sist drogs slutsatsen att den skalade modellen bygg med LEGO Mindstorms och parameterskalad med hjälp av Buckingham П teoremet kunde beräkna skalningsfaktorn av hastighet samt svängradie för det fysiskt likartade fordonet med en tillförlitlighet på 94.68%, konservativt räknat. Detta gäller för låga hastigheter och som fortsatt forskning skulle en liknande studie med starkare och snabbare motorer genomföras för att generalisera slutsatserna och resultaten.

In the world, research on autonomous navigation vehicles (AGV) is growing by the day. The goal with this project was to create an AGV and explore the possibility of using infrared reflections as a navigational method and how to achieve distinct reflection measurements from a surface. The thesis also discusses the possibility of using several units on a larger scale. In the progress of the project, a prototype vehicle was built to conduct the experiments to identify the suitability of infrared navigation. The testing of the prototype shows that navigation by IR can be very reliable under controlled circumstances. The project also explored how hierarchical software architecture stands in comparison to purely local or centralized software architecture. / I världen växer forskning på självgående fordon dagligen. Målet med detta projekt var att skapa ett självgående fordon och utforska möjligheterna att använda infraröda reflektioner som navigeringsmetod och hur man kan uppnå distinkta mätvärden. Avhandlingen diskuterar även möjligheterna att använda flera prototyper i en större skala. Under projektets gång byggdes ett prototypfordon för att genomföra experimenten angående lämpligheten med navigering via infrarött ljus. Tester med prototypen visar att navigering via infrarött ljus är väldigt pålitligt under kontrollerade omständigheter. Projektet utforskar även hur hierarkisk mjukvaruarkitektur står sig mot helt lokal eller centraliserad mjukvaruarkitektur.

Denna rapport ar resultatet av ett kandidatexamensarbete som avlades på KTH under våren 2018 i maskinkonstruktion. Uppdragsgivare var KTH och Skogforsk; det svenska skogsbrukets forskningsinstitut, som är finansierat av skogsnäringen och den svenska staten. Bakgrunden till projektet är de ökande kraven på ekologi och ergonomi i branchen, samt bristen på förare och operatörer. Uppgiften var att förbereda en skotare, modellXt28, för automation modellbaserat. En skotare är ett terrängfordon som används för att transportera rundvirke, stubbar och liknande. Då arbetet för att helt automatisera ett fordon är väldigt omfattande begränsades detta projekt till att fokusera på skotarens perception av omgivningen. Läsaren kommer få ta del av utformningen av en skyddande sensorenhet, anpassad för den krävande miljön. Krav för automation av fordon, val av sensorer och placering av dessa, möjliga lastfall, och infästningsmöjligheter behandlas. En utmaning under arbetets gång har varit bristen på tillgängligt tidigare liknande arbete, där kombinationen autonomi och helt odefinierat körområde behandlades. / This report is the result of a bachelor thesis completed at KTH (Royal Institute of Technology, Stockholm, Sweden) during spring 2018 in machine design. The project was executed in collaboration with KTH and Skogforsk (the Forestry Research Institute of Sweden), which is the central research body for the Swedish forestry sector, and financed jointly by the government and the members of the institute. The background of the project is the ever increasing requirements of ecology and ergonomics in the business, and the shortage of operators. The object of the project was to prepare and adapt a forwarder developed by Skogforsk (among others), Xt28, for automation. A forwarder is a forestry vehicle used for transporting logs. As the process of fully automating a vehicle is very extensive this project was limited to focusing on the forwarder's perception of the surrounding environment. The reader will take part in the development of a protective sensor unit, fitted for the demanding environment of a forwarder in Sweden. Requirements for vehicle automation, suitable sensors and placement, possible load cases, and attachment possibilities will be considered. A challenge during the project was the lack of earlier work and projects found on the same area, where self driven vehicles and operation o road were both regarded.

For this project, a Software-In-the-Loop (SIL) simulation tool is used at Scania (“VTAB” – Virtual Truck and Bus), which simulates the submodels of the mechanical vehicle components together with the real control units. The simulation tool contains the following submodels: Engine model, Drivetrain model, Drive cycle model, Restbus model, and Driver model. The simulated human driver submodel in the restbus model outputs two pedal control signals to the control unit, namely the gas and brake pedals. With these two pedal signals, the control unit decides the modes of mechanical vehicle components. This driver model needs to be reworked to obtain a better velocity following performance. Two controllers, fuzzy PI anti-windup and backward calculation, are implemented in the driver model and compared by the velocity tracking accuracy and the pedal switching frequency. In the comparison and analysis section, two different cycles and two weights of payload are simulated. The simulation results demonstrate that both controllers can improve the driver model’s velocity tracing accuracy. Further, the fuzzy PI anti-windup controller is better when considering pedal signals fluctuation frequency and implementation complexity. / För detta projekt används ett simuleringsverktyg Software-In-the-Loop (SIL) på Scania (“VTAB” - Virtual Truck and Bus), vilket simulerar submodellerna för de mekaniska fordonskomponenterna tillsammans med de verkliga styrenheterna. Simuleringsverktyget innehåller följande submodeller: Motormodell, Drivmotormodell, Drivcykelmodell, Restbusmodell och Drivermodell. Den simulerade submodellen för mänsklig förare i restbussmodellen kommer att sända två pedalsstyrsignaler till styrenheten, nämligen gas och broms. Med dessa två pedalsignaler kan styrenheten avgöra lägen av mekaniska fordonskomponenter. Denna drivrutinmodell måste omarbetas för att få en bättre hastighetsspårnings presentationsförmåga. Två styrenheter, fuzzy PI anti-windup och bakåtberäkning, implementeras i förarmodell och jämförs respektive med hastighetsspårningsnoggrannhet och pedalväxelfrekvens. I jämförelseoch analysavsnittet simuleras två olika cyklar och två nyttolast. Simuleringsresultaten visar att båda kontrollerna kan förbättra förarmodellens hastighetsspårningskapacitet. Vidare är fuzzy PI-anti-windup-kontroller bättre när man tar hänsyn till pedalsignalernas fluktueringsfrekvens och implementeringskomplexitet

Within the most pollutants industries, the energy sector is the most significant contributor to climate change, representing two-thirds of the total Greenhouse Gas (GHG) emissions. One of the main responsible for these emissions is transportation, which accounts for 26% of the world’s energy consumption, with crude oil-derived products providing more than 90% of this energy. In Europe, the transport sector is the only sector that has experienced an upward trend of GHG emissions between 1990 and 2017, opposite to all others, such as agriculture, residential, or industry. To cut these growing GHG emissions, transport electrification has been presented as a potential and promising solution for decarbonization thanks to the no tail-pipe emissions and the possibility of using renewable energy to power them. One particularly interesting segment of the transport sector is Heavy Duty Trucks (HDTs) used for freight transport. HDTs are the backbone of the Swedish economy and competitiveness since they represent 45% of its total goods transportation. However, the Swedish transmission grid needs to evolve parallelly to cope with the increase in electricity demand and withstand the Charging Infrastructure (CI) necessary for the electrification of HDTs. Oskarshamn is a Swedish municipality that presents a high potential for electrification of its HDTs, which are currently operated with diesel. Therefore, the objective of this Master Thesis is to study the implementation of Electric Heavy Vehicles (EHVs) CI in Oskarshamn by collaborating with local interested stakeholders. The study is conducted through an analysis of the current status of EHV technologies, as well as CI possibilities, which, together with the information provided by truck operators from Oskarshamn, allows to perform a techno-economic assessment of the solution and analyze the business model of its operation. A virtual model is created with Python to simulate the actual operating conditions, which uses all the information gathered and optimizes the CI design while fulfilling all its transport requirements. Additionally, the study seeks to identify potential areas for shared ownership of the CI to increase the project's feasibility. This project’s findings demonstrate that electrification of freight transportation brings financial and sustainable benefits for truck operators while presenting a diverse range of options to meet their specific transportation requirements. Furthermore, by effectively negotiating ownership terms and electricity tariffs for CI, there is potential to further enhance business profitability. / Inom de mest förorenande industrierna är energisektorn den mest betydande bidragsgivaren till klimatförändringarna och står för två tredjedelar av de totala utsläppen av växthusgaser (GHG). En av de huvudsakliga ansvariga för dessa utsläpp är transportsektorn, som står för 26% av världens energiförbrukning, där produkter som härstammar från råolja utgör över 90% av denna energi. I Europa är transportsektorn den enda sektorn som har upplevt en ökande trend av GHG-utsläppen mellan 1990 och 2017, till skillnad från alla andra sektorer. Därför är elektrifiering av transporten en potentiell och lovande lösning för avkolning, tack vare frånvaron av avgasutsläpp och möjligheten att använda förnybar energi för att driva fordonen. En särskilt intressant del av transportsektorn är tunga lastbilar (HDTs) som används för godstransport. HDTs utgör ryggraden i den svenska ekonomin och konkurrenskraften eftersom de står för 45% av den totala godstransporten. Dock behöver det svenska transmissionsnätet utvecklas parallellt för att klara av ökningen av elförbrukningen och klara av laddinfrastrukturen (CI) som krävs för elektrifieringen av HDTs. Oskarshamn är en svensk kommun som har stor potential för elektrifiering av sina HDTs, som för närvarande drivs med diesel. Därför är målet med detta examensarbete att studera implementeringen av laddinfrastruktur för eldrivna tunga fordon (EHVs) i Oskarshamn genom samarbete med lokala intressenter. Studien genomförs genom en analys av den aktuella statusen för EHVs-teknologier, samt CI-möjligheter, vilket, tillsammans med informationen som tillhandahålls av lastbilsoperatörer från Oskarshamn, möjliggör en teknisk-ekonomisk bedömning av lösningen och analyserar affärsmodellen för dess drift. En virtuell modell skapas med hjälp av Python för att simulera de faktiska driftsförhållandena, vilket utnyttjar all insamlad information och optimerar designen av CI samtidigt som alla transportkrav uppfylls. Dessutom syftar studien till att identifiera potentiella områden för delägarskap av CI för att öka projektets genomförbarhet. Denna projekts resultat visar att elektrifiering av godstransport ger ekonomiska och hållbara fördelar för lastbilsoperatörer samtidigt som det presenterar ett brett utbud av alternativ för att möta deras specifika transportkrav. Dessutom finns det potential att ytterligare förbättra affärs lönsamheten genom effektivt förhandla om ägandevillkor och eltariffer för CI.

Compared with the terrestrial network (TN), which can only support limited covered areas, satellite communication (SC) can provide global coverage and high survivability in case of an emergency like an earthquake. Especially low-earth orbit (LEO) satellites, as a promising technology, which is integral to achieving the goal of global seamless coverage and reliable communication, catering to 6G’s communication requirements. Nevertheless, the swift movement of the LEO satellites poses a challenge: frequent handovers are inevitable, compromising the quality of service (QoS) of users and leading to discontinuous connectivity. Moreover, considering LEO satellite connectivity for different flying vehicles (FVs) when coexisting with ground terminals, an efficient satellite handover decision control and mobility management strategy is required to reduce the number of handovers and allocate resources that align with different user requirements. With the development of machine learning (ML) methods, which can greatly enhance system performance and automation, reinforcement learning (RL), as a sub-field in ML has been employed to optimize decision control. Due to the challenges of dimensionality explosion and the propensity for traditional Q-learning algorithms to get trapped in local minima, deep learning has been introduced with RL. In this thesis, the high-dimensionality user-satellite network is constructed including the LEO constellation from the ephemeris data, different types of flying vehicles such as aircraft and drones, and ground terminals. Two mathematical optimization models named the traditional low handover model and network utility model when considering the full criteria including the remaining visible time, downlink (DL) carrier-to-interference-plus-noise ratio (CINR) and the available idle channels are formulated. In this way, a novel satellite handover strategy based on Multi-Agent Reinforcement Learning (MARL) and game theory named Nash-SAC has been proposed to solve these problems. From the simulation results, compared with different benchmarks such as the traditional Q-learning algorithm, Maximum available channel (MAC)-based strategy, and Maximum instantaneous signal strength (MIS)-based strategy, Nash-SAC can effectively reduce the number of satellite handovers by over 16% close to the lower limit, and the blocking rate by over 18%. Moreover, Nash-SAC can greatly improve the network utility of the whole system by up to 48% and cater to different users’ requirements, providing reliable and robust connectivity for both FVs and ground terminals. / Jämfört med det markbundna nätet (TN), som endast kan stödja begränsade täckta områden, kan satellitkommunikation (SC) ge global täckning och hög överlevnad vid en nödsituation som en jordbävning. Speciellt lågjordiga satelliter (LEO), som en lovande teknik, som är integrerad för att uppnå målet om global sömlös täckning och tillförlitlig kommunikation, tillgodose 6G:s kommunikationskrav. Icke desto mindre utgör LEO-satelliternas snabba förflyttning en utmaning: täta överlämningar är oundvikliga, vilket äventyrar användarnas tjänstekvalitet och leder till kontinuerlig uppkoppling. Med tanke på LEO:s satellitanslutning för olika flygande fordon när de samexisterar med markterminaler krävs dessutom en effektiv strategi för kontroll av satellitöverlämning och mobilitetshantering för att minska antalet överlämningar och fördela resurser som överensstämmer med olika användarkrav. Med utvecklingen av maskininlärningsmetoder (ML), som avsevärt kan förbättra systemprestanda och automation, har förstärkningsinlärning (RL), som ett delområde i ML använts för att optimera beslutskontrollen. På grund av utmaningarna med dimensionsexplosion och benägenheten för traditionella Q-inlärningsalgoritmer att fastna i lokala minimi har djupinlärning introducerats med RL. I denna avhandling konstrueras det högdimensionella användarsatellitnätet inklusive LEO-konstellationen från ephemerisdata, olika typer av flygande fordon såsom flygplan och drönare samt markterminaler. Två matematiska optimeringsmodeller kallas den traditionella lågöverlämningsmodellen och nätverksbruksmodellen när man beaktar de fullständiga kriterierna inklusive återstående synliga tiden, nedlänk (DL) carrier-to-interferens-plus-noise ratio (CINR) och tillgängliga inaktiva kanaler formuleras. På detta sätt har en ny satellitöverlämningsstrategi baserad på Multi-Agent Reinforcement Learning (MARL) och spelteori vid namn Nash-SAC föreslagits för att lösa dessa problem. Från simuleringsresultaten, jämfört med olika riktmärken såsom den traditionella Q-learning algoritmen, Maximal available channel (MAC)-baserad strategi och Maximal instantaneous signalstyrka (MIS)-baserad strategi, kan Nash-SAC effektivt minska antalet satellitöverlämningar med över 16% nära den nedre gränsen och blockeringshastigheten med över 18%. Dessutom kan Nash-SAC avsevärt förbättra nätverksnyttan i hela systemet med upp till 48% och tillgodose olika användares krav, vilket ger tillförlitlig och robust anslutning för både flygande fordon och markterminaler.

The field of machine learning currently draws massive attention due to ad- vancements and successful applications announced in the last few years. One of these applications is self-driving vehicles. A machine learning model can learn to drive through behavior cloning. Behavior cloning uses an expert’s behavioral traces as training data. However, the model’s steering predictions influence the succeeding input to the model and thus the model’s input data will vary depending on earlier predictions. Eventually the vehicle may de- viate from the expert’s behavioral traces and fail due to encountering data it has not been trained on. This is the problem of sequential predictions. DAG- GER and its improvement SafeDAGGER are algorithms that enable training models in the sequential prediction domain. Both algorithms iteratively col- lect new data, aggregate new and old data and retrain models on all data to avoid catastrophically forgetting previous knowledge. The aggregation of data leads to problems with increasing model training times, memory requirements and requires that previous data is maintained forever. This thesis’s purpose is investigate whether or not SafeDAGGER can be improved with continual learning to create a more scalable and flexible algorithm. This thesis presents an improved algorithm called EWC-SD that uses the continual learning algo- rithm EWC to protect a model’s previous knowledge and thereby only train on new data. Training only on new data allows EWC-SD to have lower training times, memory requirements and avoid storing old data forever compared to the original SafeDAGGER. The different algorithms are evaluated in the con- text of self-driving vehicles on three tracks in the VBS3 simulator. The results show EWC-SD when trained on new data only does not reach the performance of SafeDAGGER. Adding a rehearsal buffer containing only 23 training exam- ples to EWC-SD allows it to outperform SafeDAGGER by reaching the same performance in half as many iterations. The conclusion is that EWC-SD with rehearsal solves the problems of increasing model training times, memory re- quirements and requiring access to all previous data imposed by data aggre- gation. / Fältet för maskininlärning drar för närvarande massiv uppmärksamhet på grund av framsteg och framgångsrika applikationer som meddelats under de senaste åren. En av dessa applikationer är självkörande fordon. En maskininlärningsmodell kan lära sig att köra ett fordon genom beteendekloning. Beteendekloning använder en experts beteendespår som träningsdata. En modells styrförutsägelser påverkar emellertid efterföljande indata till modellen och således varierar modellens indata utifrån tidigare förutsägelser. Så småningom kan fordonet avvika från expertens beteendespår och misslyckas på grund av att modellen stöter på indata som den inte har tränats på. Det här är problemet med sekventiella förutsägelser. DAGGER och dess förbättring SafeDAGGER är algoritmer som möjliggör att träna modeller i domänen sekventiella förutsägelser. Båda algoritmerna samlar iterativt nya data, aggregerar nya och gamla data och tränar om modeller på alla data för att undvika att katastrofalt glömma tidigare kunskaper. Aggregeringen av data leder till problem med ökande träningstider, ökande minneskrav och kräver att man behåller åtkomst till all tidigare data för alltid. Avhandlingens syfte är att undersöka om SafeDAGGER kan förbättras med stegvis inlärning för att skapa en mer skalbar och flexibel algoritm. Avhandlingen presenterar en förbättrad algoritm som heter EWC-SD, som använder stegvis inlärningsalgoritmen EWC för att skydda en modells tidigare kunskaper och därigenom enbart träna på nya data. Att endast träna på nya data gör det möjligt för EWC-SD att ha lägre träningstider, ökande minneskrav och undvika att lagra gamla data för evigt jämfört med den ursprungliga SafeDAGGER. De olika algoritmerna utvärderas i kontexten självkörande fordon på tre banor i VBS3-simulatorn. Resultaten visar att EWC-SD tränad enbart på nya data inte uppnår prestanda likvärdig SafeDAGGER. Ifall en lägger till en repeteringsbuffert som innehåller enbart 23 träningsexemplar till EWC-SD kan den överträffa SafeDAGGER genom att uppnå likvärdig prestanda i hälften så många iterationer. Slutsatsen är att EWC-SD med repeteringsbuffert löser problemen med ökande träningstider, ökande minneskrav samt kravet att alla tidigare data ständigt är tillgängliga som påtvingas av dataaggregering.

Object detection has been a fundamental part of many emerging technologies, such as autonomous vehicles, robotics, and security. As deep learning is the main reason behind the leap of performance in object detection, it has mostly been associated with a post-processing step of non-maximum suppression (NMS) to reduce the number of resulting bounding boxes output from the network to, ideally, one box per object. As non-maximum suppression blindly suppress the overlap with a pre-defined threshold, it introduces the problem of suppressing false negatives in crowded scenes by choosing a high threshold, or vice versa. This problem is critical, especially in the autonomous vehicle industry, as this concerns the safety of passengers. The problem of the machine understanding whether these bounding boxes belong to the same object or two near-by objects is still not directly solvable. Although a lot of previous research tried to invent a new box-reduction method, every method has its own drawbacks while solving the problem. That is why, until now, many researchers are still using non‐maximum suppression. In this research, a literature review was carried out to determine the best NMS alternatives. Then, an approach for box reduction based on determinantal point process (DPP) was implemented. Furthermore, an evaluation pipeline was introduced for experimental analysis for the differences between NMS and DPP. Although NMS shows a better performance in terms of precision and recall, DPP chooses better fitting bounding boxes. / Objektdetektering har varit en grundläggande del av många nya tekniker, t.ex. autonoma fordon, robotik och säkerhet. Eftersom djupinlärning är den främsta orsaken till den stora prestandaskillnaden vid objektsdetektering har den oftast varit förknippad med ett efterbehandlingssteg med icke-maximal undertryckning (NMS) för att minska antalet resulterande avgränsande rutor som produceras av nätverket till, idealt sett, en ruta per objekt. Eftersom icke-maximal undertryckning blint undertrycker överlappningen med ett fördefinierat tröskelvärde, uppstår problemet med att undertrycka falskt negativa resultat i överfulla scener genom att välja ett högt tröskelvärde, eller tvärtom. Detta problem är kritiskt, särskilt inom industrin för autonoma fordon, eftersom det gäller passagerarnas säkerhet. Problemet med att maskinen ska förstå om dessa avgränsande rutor tillhör samma objekt eller två närliggande objekt är fortfarande inte direkt lösbart. Även om man i tidigare forskning har försökt hitta en ny metod för att reducera boxar, har varje metod sina egna nackdelar när den löser problemet. Det är därför som många forskare fram till nu fortfarande använder sig av icke-maximalt undertryckande. I denna forskning gjordes en litteraturstudie för att fastställa de bästa NMS-alternativen. Därefter implementerades en metod för boxförminskning baserad på determinant punktprocess (DPP). Dessutom infördes en utvärderingsledning för experimentell analys av skillnaderna mellan NMS och DPP. Även om NMS visar en bättre prestanda när det gäller precision och återkallande, väljer DPP bättre passande avgränsande lådor.