Dans le contexte général de l’érosion de la biodiversité, deux espèces d’oiseaux forestiers, le Grand Tétras (Tetrao urogallus) et la Gélinotte des bois (Bonasa bonasia), présentes dans le massif Jurassien sont menacées par la perte et la fragmentation de leur habitat à l’échelle régionale. En particulier, dans le massif Jurassien l’extension progressive des tâches de régénération du hêtre induit la transformation du couvert végétal constitué de myrtilles et d’herbacées favorable en un habitat fermé défavorable. Le destin de ces deux espèces emblématiques dépend pour la première d’actions de gestions et pour la seconde d’une meilleure connaissance de la distribution et de la dynamique des populations. La coupe des zones de régénération fait partie des principales actions envisagées pour restaurer l’habitat forestier. Cependant ces actions de gestion ou de suivi des populations sont couteuses en temps et en argent. Ainsi, l’opportunité d’utiliser deux jeux de données LiDAR (Light Detection and Ranging) couvrant la majorité de l’aire de distribution des deux espèces dans le massif Jurassien a initié le projet de cartographie des habitats de chaque espèce et de la présence des tâches de régénération du hêtre en utilisant des modèles de distribution d’espèces (SDMs). L’objectif est de soutenir les gestionnaires dans leurs décisions et actions grâce à la production de prédictions spatiales adaptées. La réalisation de cet objectif dépend de la fiabilité des modèles produits, mais aussi de la bonne transmission des résultats par le chercheur aux gestionnaires qui ne sont pas familiers avec les méthodes utilisées. Dans un premier temps, le choix d’une méthode de modélisation appropriée (correction du biais d’échantillonnage, échelles, algorithmes) par rapport aux caractéristiques des jeux de données et aux objectifs a été évalué. Dans un second temps, l’utilisation de variables environnementales LiDAR orienté-objet (arbres et trouées) pour faciliter l’appropriation des résultats par les gestionnaires a été testée. Enfin, les résultats obtenus ont permis la création de modèles multi-échelles et de carte de prédictions pour chacune des espèces démontrant la capacité du LIDAR de représenter la structure de la végétation qui influence la présence des espèces d’oiseaux forestières étudiées. Des modèles de distribution de la régénération du hêtre ont pu aussi être créés à une échelle fine. / In the general context of biodiversity erosion, two forest bird species occurring in the French Jura massif, the Capercaillie (Tetrao urogallus) and the Hazel Grouse (Bonasa bonasia), are threatened by habitat loss and fragmentation at the regional scale. In particular, intensive beech regeneration patches extension in the Jura massif is leading to the transformation of the understory cover, once suitable with bilberry and herbaceous vegetation, to closed unfavorable habitat. The fate of those two emblematic species is depending for the first on future management actions and for the second on a better knowledge of the species population’s dynamics and occurrences. In particular, the cutting of the beech regeneration patches is one of the efficient management actions undertaken to restore the habitat. However, management actions and surveys are money and time consuming due to the large area that need to be covered. The opportunity to use two Light Detection and Ranging (LiDAR) datasets covering a major part of the distribution of the two species in the Jura massif initiated the phD project, with the objective to support managers in their decisions and actions by the creation of adapted distribution predicted maps using Species Distribution Models (SDMs) (Hazel Grouse, Capercaillie and beech regeneration). The realization of this objective is depending on the reliability of the models produced and on the capacity of the researcher to transfer the results to managers who are not familiar with modeling methods. In a first step, the choice of the appropriate modeling method regarding the datasets characteristics and the objectives was investigated (sampling bias correction, scales, and algorithms). In addition, the use of object-oriented LiDAR predictors (trees and gaps) pertinent from both species and managers point of view to facilitate the results transfer was tested. The results obtained were used to create appropriate multi-scale SDMs and to predict distribution maps for both target species, demonstrating the capacity of LiDAR to represent vegetation structures that influence the targeted forest bird species occurrences. Models at a fine scale were also created to map the beech regeneration distribution in the Jura massif.

Airborne Laserbathymetrie stellt eine effiziente und flächenhafte Messmethode für die Erfassung der sich ständig im Wandel befindlichen Gewässersohlen von Inlandgewässern und küstennahen Flachwasserbereichen dar. Bei diesem Verfahren wird ein kurzer grüner Laserpuls ausgesandt, welcher mit allen Objekten entlang des Laserpulspfades interagiert (z.B. Wasseroberfläche und Gewässerboden). Die zum Sensor zurückgestreuten Laserpulsanteile (Echos) werden in einem zeitlich hochaufgelösten Messsignal (Full-Waveform) digitalisiert und gespeichert. Allerdings ist das Messverfahren aufgrund von Gewässertrübung in seiner Eindringtiefe in den Wasserkörper limitiert. Die Gewässerbodenechos werden bei zunehmender Gewässertiefe schwächer, bis sie nicht mehr zuverlässig detektierbar sind. Diese Arbeit zeigt, wie mit neuartigen Methoden schwache Gewässerbodenechos in Full-Waveforms detektiert werden können, welche durch die Standardauswerteverfahren nicht mehr berücksichtigt werden. Im Kernstück der Arbeit werden zwei Verfahren vorgestellt, die auf einer gemeinsamen Auswertung dicht benachbarter Messdaten basieren. Unter der Annahme eines stetigen Gewässerbodens mit geringer bis moderater Geländeneigung führt die Zusammenfassung mehrerer Full-Waveforms zu einer Verbesserung des Signal/Rausch-Verhältnisses und einer Verstärkung von schwachen Gewässerbodenechos, welche folglich zuverlässiger detektiert werden können. Die Ergebnisse zeigen eine erhebliche Erhöhung der auswertbaren Gewässertiefe (bis zu +30 %), wodurch eine deutlich größere Fläche des Gewässerbodens abgedeckt werden konnte (Flächenzuwachs von bis zu +113 %). In umfassenden Analysen der Ergebnisse konnte nachgewiesen werden, dass die hinzugewonnenen Gewässerbodenpunkte eine gute Repräsentation des Gewässerbodens darstellen. Somit leisten die in dieser Arbeit entwickelten Verfahren einen wertvollen Beitrag zur Steigerung der eingangs beschriebenen Effizienz der Airborne Laserbathymetrie.:Kurzfassung Abstract 1 Einleitung 1.1 Motivation 1.2 Ziele der Dissertation 1.3 Aufbau der Arbeit 2 Einführung in bathymetrische Messverfahren 2.1 Hydrographie und Bathymetrie 2.2 Airborne LiDAR Bathymetrie 2.2.1 Grundlagen Airborne Laserscanning 2.2.2 Der Pfad des Laserpulses 2.2.3 Fehlereinflüsse 2.3 Die Full-Waveform 2.3.1 Aufbau und Merkmale einer Full-Waveform 2.3.2 Systemwaveform 2.3.3 Full-Waveform Auswerteverfahren 2.4 Hydroakustische Messverfahren 2.4.1 Messprinzip 2.4.2 Echolot Varianten 2.4.3 Fehlereinflüsse 3 Nichtlineare Full-Waveform Stacking-Verfahren zur Detektion und Extraktion von Gewässerbodenpunkten – Beitrag 1, Beitrag 2, Beitrag 3 3.1 Signalbasiertes nichtlineares Full-Waveform Stacking 3.2 Volumetrisches nichtlineares Ortho-Full-Waveform Stacking 4 Anwendung von nichtlinearen Full-Waveform Stacking-Methoden auf maritime Gewässer – Beitrag 4 4.1 Studiengebiet in der Nordsee 4.2 Datengrundlage 4.3 Erste Ergebnisse einer Pilotstudie in küstennahen Bereichen der Nordsee 4.4 Untersuchungsgebiet 4.5 Klassifikation der Wasseroberflächenpunkte 4.6 Visualisierung der Ergebnisse 4.7 Genauigkeit und Zuverlässigkeit 4.8 Mehrwert der Verfahren 5 Potential der Full-Waveform Stacking-Methoden zur Ableitung der Gewässertrübung – Beitrag 5 6 Diskussion und weiterführende Arbeiten 6.1 Geometrische Modellierung der Laserpulsausbreitung 6.2 Einfluss der Gewässereigenschaften auf die Gewässerbodenbestimmung 6.3 Unterschätzung der Wasseroberfläche 6.4 Nutzung von Gewässertrübungsinformation für die Beurteilung der Zuverlässigkeit der Gewässertiefenbestimmung 6.5 Auswirkung der Nachbarschaftsdefinition beim signalbasiertem Full-Waveform Stacking 6.6 Gegenüberstellung signalbasiertes und volumetrisches Full-Waveform Stacking 6.7 Erweiterung des Full-Waveform Stackings mit dem Multi-Layer-Ansatz 7 Fazit der Dissertation 7.1 Zusammenfassung 7.2 Einordnung der Dissertation 7.3 Mehrwert der Dissertation Literaturverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Symbolverzeichnis Abkürzungsverzeichnis / Airborne laser bathymetry is an efficient and area-wide measurement method for the detection of the permanently changing water bottoms of inland waters and shallow water areas close to the coast. In this method, a short green laser pulse is emitted, which interacts with all objects along the laser pulse path (e.g. water surface and bottom). The backscattered laser pulse components (echoes) are digitized and stored in a high temporal resolution measurement signal (full-waveform). However, the measurement method is limited in its penetration depth into the water body due to water turbidity. The water bottom echoes become weaker as the water depth increases until they are no longer reliably detectable. This work shows how novel methods can be used to detect weak water bottom echoes in full-waveforms that are no longer accounted for by standard processing methods. In the core of the work, two methods are presented which are based on a joint evaluation of closely adjacent measurement data. Under the assumption of a steady water bottom with low to moderate slope, the combination of several full-waveforms leads to an improvement of the signal-to-noise ratio and an enhancement of weak water bottom echoes, which consequently can be detected more reliably. The results show a significant increase in the analyzable water depth (up to +30 %), allowing a much larger area of the water bottom to be covered (increase up to +113 %). Comprehensive analyses of the results proved that the added water bottom points are a good representation of the water bottom. Thus, the methods developed in this work constitute a valuable contribution to increase the efficiency of airborne laser bathymetry described at the beginning.:Kurzfassung Abstract 1 Einleitung 1.1 Motivation 1.2 Ziele der Dissertation 1.3 Aufbau der Arbeit 2 Einführung in bathymetrische Messverfahren 2.1 Hydrographie und Bathymetrie 2.2 Airborne LiDAR Bathymetrie 2.2.1 Grundlagen Airborne Laserscanning 2.2.2 Der Pfad des Laserpulses 2.2.3 Fehlereinflüsse 2.3 Die Full-Waveform 2.3.1 Aufbau und Merkmale einer Full-Waveform 2.3.2 Systemwaveform 2.3.3 Full-Waveform Auswerteverfahren 2.4 Hydroakustische Messverfahren 2.4.1 Messprinzip 2.4.2 Echolot Varianten 2.4.3 Fehlereinflüsse 3 Nichtlineare Full-Waveform Stacking-Verfahren zur Detektion und Extraktion von Gewässerbodenpunkten – Beitrag 1, Beitrag 2, Beitrag 3 3.1 Signalbasiertes nichtlineares Full-Waveform Stacking 3.2 Volumetrisches nichtlineares Ortho-Full-Waveform Stacking 4 Anwendung von nichtlinearen Full-Waveform Stacking-Methoden auf maritime Gewässer – Beitrag 4 4.1 Studiengebiet in der Nordsee 4.2 Datengrundlage 4.3 Erste Ergebnisse einer Pilotstudie in küstennahen Bereichen der Nordsee 4.4 Untersuchungsgebiet 4.5 Klassifikation der Wasseroberflächenpunkte 4.6 Visualisierung der Ergebnisse 4.7 Genauigkeit und Zuverlässigkeit 4.8 Mehrwert der Verfahren 5 Potential der Full-Waveform Stacking-Methoden zur Ableitung der Gewässertrübung – Beitrag 5 6 Diskussion und weiterführende Arbeiten 6.1 Geometrische Modellierung der Laserpulsausbreitung 6.2 Einfluss der Gewässereigenschaften auf die Gewässerbodenbestimmung 6.3 Unterschätzung der Wasseroberfläche 6.4 Nutzung von Gewässertrübungsinformation für die Beurteilung der Zuverlässigkeit der Gewässertiefenbestimmung 6.5 Auswirkung der Nachbarschaftsdefinition beim signalbasiertem Full-Waveform Stacking 6.6 Gegenüberstellung signalbasiertes und volumetrisches Full-Waveform Stacking 6.7 Erweiterung des Full-Waveform Stackings mit dem Multi-Layer-Ansatz 7 Fazit der Dissertation 7.1 Zusammenfassung 7.2 Einordnung der Dissertation 7.3 Mehrwert der Dissertation Literaturverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Symbolverzeichnis Abkürzungsverzeichnis

Malfunction in the overhead contact line system is a common cause of disturbances in the train traffic in Sweden. Due to the preventive methods being inefficient, the Swedish Transport Administration has stated the need to develop the railroad maintenance services and has identified Artificial Intelligence (AI) as an important tool for this undertaking.  Light Detection and Ranging (LiDAR) is a remote sensing technology that has been gaining popularity in recent years due to its high ranging accuracy and decreasing data acquisition cost. LiDAR is commonly used within the railroad industry and companies such as WSP collects large amount of data through LiDAR measurements every year. There is currently no reliable fully automatic method to process the point cloud data structure. Several studies propose innovative methods based on traditional machine learning to extract railroad system components from point clouds and have been able to do so with good results. However, these methods have limited applicability in real world problems, as they build upon hand-crafted features based on previous knowledge of the data on which they are applied. Deep learning technology may be a better alternative for the task as it does not require the same amount of human interaction for feature engineering and knowledge about the data in advance.  This thesis investigates if contact line poles can be recognized from LiDAR data with the use of the neural network architecture DGCNN. Data from two Swedish railroad lines, Saltsjöbanan and Roslagsbanan, provided by WSP was used. Point labels were predicted through semantic segmentation from which objects were distinguished using the clustering algorithm DBSCAN. The network was trained and validated on Saltsjöbanan using k-fold cross-validation and was later tested on Roslagsbanan to simulate the application of trained models on an unknown dataset. On point level the network achieved an estimated precision of 0.87 and a recall of 0.89 on the data from Saltsjöbanan and an estimated precision of 0.92 and recall of 0.83 on the data from Roslagsbanan. In the object recognition task, the approach achieved an average precision of 0.93 and recall of 0.998 on the data from Saltsjöbanan and on the data from Roslagsbanan, an average precision of 0.96 and a recall of 1 was achieved, indicating that it is possible to apply this method on railroad segments other than the one the network was trained on. Despite not being accurate or reliable enough on point level to be used for thorough inspection of the contact line system, this approach has various applications in terms of object recognition along Swedish railroads. Future research should investigate how adding additional classes beyond contact line poles would affect the results and what changes can be done to the parameters to optimize the performance. A side-by-side comparison with the current methods and traditional machine learning-based methods would be valuable as well. / Fel i kontaktledningssystemet är en vanlig orsak till störningar i tågtrafiken i Sverige. Då dagens metoder för att förebygga dessa fel är ineffektiva har Trafikverket uttryckt behovet av att utveckla underhållsarbetet av den svenska järnvägen och har identifierat artificiell intelligens (AI) som ett viktigt verktyg i det syftet. Light Detection and Ranging (LiDAR) är en fjärranalysteknologi som har blivit allt mer populär med åren tack vare sin höga mätnoggrannheten och allt billigare datainsamling. LiDAR används regelbundet inom järnvägsindustrin och företag som WSP samlar årligen in stora mängder data med denna teknologi. I dagsläget finns det däremot ingen tillräckligt pålitlig automatisk metod för att segmentera och klassificera punktmoln. Ett flertal studier föreslår lösningar baserade på traditionell maskininlärning för att ta ut järnvägskomponenter ur punktmolnsdata. Eftersom dessa metoder bygger på förkunskap och noga utvecklade funktioner för att hitta mönster i datan är de svåra att tillämpa i verkliga problem. Istället kan djupinlärning som inte kräver samma förkunskap eller noggranna matematiska modellering tillämpas. I det här arbetet identifierades kontaktledningsstolpar ur LiDAR data med hjälp av det neurala nätverket DGCNN. Datan som användes var punktmolnsdata från Saltsjöbanan och Roslagsbanan försedd av WSP. Först klassificerades punkter genom semantisk segmentering och från klassificeringen kunde objekt identifierades genom att tillämpa klusteringsalgoritmen DBSCAN. Nätverket tränades med hjälp av korsvalidering på data över Saltsjöbanan och testades därefter på data över Roslagsbanan för att undersöka om tränade modeller kan tillämpas på andra järnvägslinjer. På datan över Saltsjöbanan uppnådde nätverket en estimerad specificitet på 0.87 och sensitivitet på 0.89 på punktnivå. Motsvarande värden på datan över Roslagsbanan låg på 0.92 och 0.83. Metoden för objektigenkänning uppnådde en genomsnittlig specificitet på 0.93 och sensitivitet på 0.998 på datan över Saltsjöbanan och motsvarande värden på datan över Roslagsbanan låg på 0.96 och 1. Resultatet indikerar att metoden går att tillämpa på andra järnvägslinjer utan specifik träning för dessa.  Trots att metoden inte är träffsäker nog på punktnivå för att användas för grundlig besiktning av kontaktledningssystemet kan den användas för objektigenkänning längs svensk järnväg. Framtida forskning bör undersöka hur resultatet påverkas om ytterligare klasser utöver kontaktledningsstolpar används och vilka förändringar bör göras bland parametrarna för att optimera det undersökta tillvägagångssättet. En utförlig jämförelse mot nuvarande metoder och metoder baserade på traditionell maskininlärning skulle dessutom vara av värde.

For safe mobility, an autonomous vehicle must perceive the surroundings accurately. There are many perception tasks associated with understanding the local environment such as object detection, localization, and lane analysis. Object detection, in particular, plays a vital role in determining an object’s location and classifying it correctly and is one of the challenging tasks in the self-driving research area. Before employing an object detection module in autonomous vehicle testing, an organization needs to have a precise analysis of the module. Hence, it becomes crucial for a company to have an evaluation framework to evaluate an object detection algorithm’s performance. This thesis develops a comprehensive framework for evaluating and analyzing object detection algorithms, both 2D (camera images based) and 3D (LiDAR point cloud-based). The pipeline developed in this thesis provides the ability to evaluate multiple models with ease, signified by the key performance metrics, Average Precision, F-score, and Mean Average Precision. 40-point interpolation method is used to calculate the Average Precision. / För säker rörlighet måste ett autonomt fordon uppfatta omgivningen exakt. Det finns många uppfattningsuppgifter associerade med att förstå den lokala miljön, såsom objektdetektering, lokalisering och filanalys. I synnerhet objektdetektering spelar en viktig roll för att bestämma ett objekts plats och klassificera det korrekt och är en av de utmanande uppgifterna inom det självdrivande forskningsområdet. Innan en anställd detekteringsmodul används i autonoma fordonsprovningar måste en organisation ha en exakt analys av modulen. Därför blir det avgörande för ett företag att ha en utvärderingsram för att utvärdera en objektdetekteringsalgoritms prestanda. Denna avhandling utvecklar ett omfattande ramverk för utvärdering och analys av objektdetekteringsalgoritmer, både 2 D (kamerabilder baserade) och 3 D (LiDAR-punktmolnbaserade). Rörledningen som utvecklats i denna avhandling ger möjlighet att enkelt utvärdera flera modeller, betecknad med nyckelprestandamätvärdena, Genomsnittlig precision, F-poäng och genomsnittlig genomsnittlig precision. 40-punkts interpoleringsmetod används för att beräkna medelprecisionen.

3D ranging sensor LiDAR, is an extensively used sensor in the autonomous vehicle industry, but LiDAR placement problem is not studied extensively. This thesis work proposes a framework in an open- source autonomous driving simulator (CARLA) that aims to solve LiDAR placement problem, based on the tasks that LiDAR is intended for in most of the autonomous vehicles. LiDAR placement problem is solved by improving point cloud density around the vehicle, and this is calculated by using LiDAR Occupancy Boards (LOB). Introducing LiDAR Occupancy as an objective function, the genetic algorithm is used to optimize this problem. This method can be extended for multiple LiDAR placement problem. Additionally, for multiple LiDAR placement problem, LiDAR scan registration algorithm (NDT) can also be used to find a better match for first or reference LiDAR. Multiple experiments are carried out in simulation with a different vehicle truck and car, different LiDAR sensors Velodyne 16 and 32 channel LiDAR, and, by varying Region Of Interest (ROI), for testing the scalability and technical robustness of the framework. Finally, this framework is validated by comparing the current and proposed LiDAR positions on the truck. / 3D- sensor LiDAR, är en sensor som används i stor utsträckning inom den autonoma fordonsindustrin, men LiDAR- placeringsproblemet studeras inte i stor utsträckning. Detta uppsatsarbete föreslår en ram i en öppen källkod för autonom körningssimulator (CARLA) som syftar till att lösa LiDAR- placeringsproblem, baserat på de uppgifter som LiDAR är avsedda för i de flesta av de autonoma fordonen. LiDAR- placeringsproblem löses genom att förbättra punktmolntätheten runt fordonet, och detta beräknas med LiDAR Occupancy Boards (LOB). Genom att introducera LiDAR Occupancy som en objektiv funktion används den genetiska algoritmen för att optimera detta problem. Denna metod kan utökas för flera LiDAR- placeringsproblem. Dessutom kan LiDAR- scanningsalgoritm (NDT) för flera LiDAR- placeringsproblem också användas för att hitta en bättre matchning för LiDAR för första eller referens. Flera experiment utförs i simulering med ett annat fordon lastbil och bil, olika LiDAR-sensorer Velodyne 16 och 32kanals LiDAR, och, genom att variera intresseområde (ROI), för att testa skalbarhet och teknisk robusthet i ramverket. Slutligen valideras detta ramverk genom att jämföra de nuvarande och föreslagna LiDAR- positionerna på lastbilen.

This research outlines the development of evaluating safety measures for bicycle traffic using state-of-the-art technology, which was started since 2020 as a four-year project. The project is funded by the Commission on Advanced Road Technology in the Ministry of Land, Infrastructure, Transport and Tourism(MLIT). While Japan has a high bicycle modal share of 12% (2010), bicycle-related fatalities are relatively high among other countries in the IRTAD database (2019). Under these circumstances, since 2007, various measures for bicycle traffic measures have been implemented to improve the safe bicycle traffic environment, including the revision of the Road Traffic Act and the formulation of a national plan to promote bicycle use. However, serious accidents involving bicycles are remained in some specific cases. According to the government's traffic accident analysis results (2019), right-hook crash at signalized intersections are one of the most serious types of collision involving bicycles, along with accidents at unsignalized intersections involving vehicles turning left, rear-end collisions, and single vehicle accidents due to off-road deviation. In particular, proactive safety measures are required at signalized intersections along arterial roads, where electric personal mobility vehicles traveling at speeds of up to 20 km/h are expected to share with bicycles in the future. In order to evaluate safety measures for bicycle-vehicle crashes, this project set the following goals. 1) Identify factors influencing near-miss incidents and collisions through analysis of drive recorder data and accident statistical data. 2) Detailed analysis of traffic conditions from the cyclist's perspective using a probe bicycle equipped with a LiDAR sensor. 3) Development of an experimental environment using a connected simulator for evaluation of cooperative driving behavior. 4) Clarification of experimental conditions to evaluate different scenarios and conditions with and without intervention. 5) Proposal of effective interventions to improve crash cases based on experiments.

Antalet vägtrafikanter ökar varje år, och med det ökar trängseln. För att bekämpa detta har undersökningar gjorts på uppkoppling av infrastruktur och användning av sensorer. Sensorer kan användas för att minska trafikköer, genom att till exempel upptäcka stillastående fordon eller föremål på vägen. Detta examensarbete undersöker konceptuellt hur en Light Detection and Ranging-sensor kan användas för att detektera ett hindrat trafikflöde på väg. En prototyp skapas för att undersöka konceptet, som består av en datainsamlingsmodul och en detekteringsapplikation. Genom att jämföra olika insamlad data, avgörs det om trafikflödet är hindrat eller ej. För att möjliggöra detekteringen av trafikflöde nyttjas en servomotor vilket ger datainsamlingsmodulen möjligheten att mäta punkter i ett tvådimensionellt plan. Styrning av motor och insamling av data sker med hjälp av en Arduino Uno. Data behandlas sedan på en persondator för att avgöra om hinder uppstått. Resultaten från tester i olika testmiljöer visar på att datainsamlingsmodul med detekteringsapplikation kan detekterar hindrat trafikflöde och statisk miljö, och med en godtagbar noggrannhet i avståndsmätningarna. Slutsatsen är således att prototypen har duglig funktion för att detektera ett hindrat trafikflöde. Metoderna för att detektera hinder är rudimentära men fungerande för enkla trafikflöden. Testning av mer varierande trafik under längre tidsperioder krävs för att ytterligare verifiera konceptets lämplighet. / The number of urban dwellers is increasing, and as a result traffic congestion increases. To combat this, investigations to connect infrastructure are being done, and the use of several different sensors are relevant to this study. Sensors can be used to reduce traffic congestion, for example by detecting stationary vehicles or objects on the road. This graduate work examines the concept of how a Light Detection and Ranging sensor can be used to detect any obstructed traffic flow on roads. A prototype is created to examine the concept, which consists of a data acquisition module and a detection application. By comparing varying collected data, it is determined if traffic flow is obstructed or not. To enable the detection of traffic flow, a servo motor is used to provide the data acquisition module with the ability to measure points in a two-dimensional plane. Control of motor and data collection is done by an Arduino Uno. Data is processed on a personal computer to determine if any obstruction has occurred. The results of the tests in different test environments indicate that the data acquisition module with the detection application can detect blocked traffic flow and static environment, and with an acceptable accuracy in the distance measurements. The conclusion is that the prototype is capable of detecting a blocked traffic flow. The methods for detecting obstacles are rudimentary but effective for simple traffic flows. Testing more varied traffic for longer periods of time is required to further verify the feasibility of the concept

This study aimed at evaluating the agreement of spaceborne Light Detection and Ranging (lidar) ICESat-2 canopy height with Airborne Laser Scanning (ALS) derived canopy height to inform about the performance of ICESat-2 canopy height metrics and understand its uncertainties and utilities. The agreement was assessed for different forest types, physiographic regions, a range of percent canopy cover, and diverse disturbance histories. Results of this study suggest that best agreements are found using strong beam data collected at night for canopy height retrieval using ICESat-2. The ICESat-2 showed great potential for estimating canopy heights, particularly in evergreen forests with high canopy cover. Statistical models were developed using fixed-effects and mixed-effects modeling approaches to predict ALS canopy height metrics using ICESat-2 parameters and other attributes. Overall, ICESat-2 showed good agreement with ALS canopy height and showed its predictive ability to characterize canopy height. The outcome of this study will help the scientific community understand the capabilities and limitations of ICESat-2 canopy heights; the study also provides a new approach to obtain wall-to-wall ALS standard canopy height maps at landscape level.

Environment perception is crucial to autonomous driving. Panoptic segmentation and objects tracking are two challenging tasks, and the combination of both, namely 4D panoptic segmentation draws researchers’ attention recently. In this work, we implement 4D panoptic LiDAR segmentation (4D-PLS) on Volvo datasets and provide a pipeline of data preparation, model building and model optimization. The main contributions of this work include: (1) building the Volvo datasets; (2) adopting an 4D-PLS model improved by Hyperparameter Optimization (HPO). We annotate point cloud data collected from Volvo CE, and take a supervised learning approach by employing a Deep Neural Network (DNN) to extract features from point cloud data. On the basis of the 4D-PLS model, we employ Bayesian Optimization to find the best hyperparameters for our data, and improve the model performance within a small training budget. / Miljöuppfattning är avgörande för autonom körning. Panoptisk segmentering och objektspårning är två utmanande uppgifter, och kombinationen av båda, nämligen 4D panoptisk segmentering, har nyligen uppmärksammat forskarna. I detta arbete implementerar vi 4D-PLS på Volvos datauppsättningar och tillhandahåller en pipeline av dataförberedelse, modellbyggande och modelloptimering. De huvudsakliga bidragen från detta arbete inkluderar: (1) bygga upp Volvos datauppsättningar; (2) anta en 4D-PLS-modell förbättrad av HPO. Vi kommenterar punktmolndata som samlats in från Volvo CE och använder ett övervakat lärande genom att använda en DNN för att extrahera funktioner från punktmolnsdata. På basis av 4D-PLS-modellen använder vi Bayesian Optimization för att hitta de bästa hyperparametrarna för vår data och förbättra modellens prestanda inom en liten utbildningsbudget.

Point cloud registration is a technique to align two sets of points with manifold applications across a range of industries. However, due to a lack of adequate sensing technology, this technique has seldom found applications in the automotive sector up to now. With the advent of solid-state Light Detection and Ranging (LiDAR) sensors that are easily integrable in series production vehicles as means to sense the surrounding environment, this technique can be functional to automate their operations. Maneuvering a vehicle in the proximity of a reference object is one such operation, which can only be performed by accurately estimating its position and orientation relative to the vehicle itself. This project deals with the design and the implementation of an algorithm to accurately locate an aircraft parked on an airfield apron in real time. This is achieved by registering the point cloud model of the plane to the measurement point cloud of the scene produced by the LiDAR sensors on board the vehicle. To this end, the Iterative Closest Point (ICP) algorithm is a well-established approach to register two sets of points without prior knowledge of the correspondences between pairs of points, which, however, is notoriously sensitive towards outliers and computationally expensive with large point clouds. In this work, different variants are presented that improve on the standard ICP algorithm, in terms of accuracy and runtime performance, by leveraging different data structures to index the reference model and outlier rejection strategies. The results show that the implemented algorithms can produce estimates of centimeter precision in milliseconds based only on partial observations of the aircraft, outperforming another established solution tested. / Punktmolnregistrering är en teknik för att anpassa två uppsättningar punkter med mångfaldiga applikationer inom en rad branscher. På grund av bristen på adekvat sensorsteknik har denna teknik hittills sällan används inom automotivesektorn. Med tillkomsten av solid-state LiDAR -sensorer som enkelt kan integreras i serieproduktionsfordon för att kunna känna av den omgivningen, kan denna teknik automatisera verksamheten. Att manövrera ett fordon i närheten av ett referensobjekt är en sådan operation, som bara kan utföras genom att exakt uppskatta dess position och orientering i förhållande till själva fordonet. Detta projekt handlar om design och implementering av en algoritm för att exakt lokalisera ett flygplan parkerat på ett flygfält i realtid. Detta uppnås genom att registrera planetens molnmodell till mätpunktsmolnet på scenen som produceras av LiDAR -sensorerna ombord på fordonet. För detta ändamålet är Iterative Closest Point (ICP) -algoritmen ett väletablerat tillvägagångssätt för att registrera två uppsättningar punkter utan föregående kännedom om överensstämmelserna mellan parpar, vilket dock är notoriskt känsligt för avvikelser och beräknat dyrt med stora punktmoln. I detta arbete presenteras olika varianter som förbättrar standard ICP - algoritmen, när det gäller noggrannhet och runtime performance, genom att utnyttja olika datastrukturer för att indexera referensmodellen och outlier -avvisningsstrategier. Resultaten visar att de implementerade algoritmerna kan producera uppskattningar av centimeters precision i millisekunder baserat endast på partiella observationer av flygplanet, vilket överträffar en annan etablerad lösning som testats.