The aim of the Master’s Thesis work is to study and develop algorithms for autonomous travel of a UGV (Unmanned Ground Vehicle). A vehicle for the mounting of sensors has been constructed in order to perform the work. Since the UGV is to be used outdoor in urban areas, GPS can be used. To improve precision and robustness, inertial navigation is used in addition to GPS, since GPS reception is likely to be diminished in such areas. The sensors used for navigation are consequently GPS, magnetometers, accelerometers, gyroscopes, tachometers and ultra sonic sensors measuring distance to be used in detection of obstacles. The system has been implemented in Matlab. Two alternative methods of navigation with sensor fusion have been developed; one is a decentralized method with Kalman filtering using an error model and the other is a centralized particle filter using an all-embracing model of the vehicle. The two methods have been evaluated and compared. Test results show that the two methods perform equivalently. The autonomous travel is undertaken between predetermined waypoints. In order to steer the vehicle a PID-controller based on the error between heading and its reference value is used. The computation of the reference value is based on position and heading in comparison to the desired path. The system has been tested using different routes and the results show an evident improvement of the precision in navigation compared to using only GPS-data. This holds for both navigation methods. Simulation of collision avoidance using virtual force fields shows satisfying results as well as terrain navigation with coordinate map referencing. / Examensarbetet är en studie i utveckling av algoritmer för autonom förflyttning av en UGV (eng Unmanned Ground Vehicle). För ändamålet har en farkost konstruerats där budgetsensorer för navigering används. Farkosten är tänkt att färdas utomhus i tätbebyggt område och GPS används. För förbättring av noggrannhet och robusthet vid dålig GPS-mottagning används även sensorer för tröghetsnavigering vilket här innebär magnetometrar, accelerometrar, gyron och tachometrar. För hinderdetektering finns avståndsmätande ultraljudssonar. Systemet som tagits fram har implementerats i realtid i Matlab. Två olika navigeringsmetoder med sensorfusion har utprovats; en decentraliserad variant med kalmanfilter som är uppbyggd kring felmodeller och en centraliserad variant med ett partikelfilter som använder en helhetsmodell för farkosten. De båda navigeringsmetoderna har utvärderats och jämförts. Resultat visar att de båda metoderna presterar likvärdigt. Den autonoma förflyttningen utförs mellan förutbestämda brytpunkter. För att styra farkosten har en PID-regulator baserad på felet mellan kurs och börvärde använts. Börvärdet på kurs baseras på nuvarande position och riktning relativt den önskade färdvägen. Olika körsituationer har testats och resultaten visar en markant förbättring av navigeringsprecisionen jämfört med endast GPS-mätningar för både kalman- och partikelfilter. Simuleringar på vektorfältsstyrning med virtuella kraftfält för att undvika hinder har utförts med goda resultat liksom simuleringar av kartreferenspositionering.

<p>The domain below the surface in maritime security is hard to monitor with conventional methods, due to the often very noisy environment. In conventional methods the measurements are thresholded in order to distinguish potential targets. This is not always a feasible way of treating measurements. In this thesis a system based on raw measurements, that are not thresholded, is presented in order to track and classify divers with an active sonar. With this system it is possible to detect and track weak targets, even with a signal to noise ratio that often goes below 0 dB.</p><p>The system in this thesis can be divided into three parts: the processing of measurements, the association of measurements to targets and the classification of targets. The processing of measurements is based on a particle filter using Track Before Detect (TBD). Two algorithms for association of measurements, Joint Probabilistic Data Association (JPDA) and Highest Probability Data Association (HPDA), have been implemented. The classification of targets is done using an assumed novel approach. The system is evaluated by doing simulations with approximately 8 hours of recorded data, where divers are present at nine different times. The simulations are done a number of times to catch The classification rate is high and the false alarm rate is low.</p> / <p>Undervattensdomänen är svår att övervaka i marina säkerhetssystem med sedvanliga metoder, på grund av den brusiga miljön. I traditionella metoder trösklas mätningarna för att urskilja potentiella mål. Detta är inte alltid ett godtagbart sätt att behandla mätningar på. I den här rapporten presenteras ett system baserat på behandling av rå mätdata, som inte trösklas, för att spåra och klassificera dykare med en aktiv sonar. Med detta system är det möjligt att detektera och spåra svaga mål, trots att signal till brus förhållandet ofta går under 0 dB.</p><p>Systemet i den här rapporten kan delas upp i tre delar: behandling av mätningar, association av mätningar till mål samt klassificering av mål. Behandlingen av mätningarna görs med ett partikelfilter som använder Track Before Detect (TBD). Två algoritmer för associering av mätningar, Joint Probabilistic Data Association (JPDA) och Highest Probability Data Association (HPDA), har implementerats. Klassificeringen av mål görs med en egenutvecklad metod som inte har hittats i existerande dokumentation. Systemet utvärderas genom att simuleringar görs på ungefär 8 timmar inspelad data, där dykare är närvarande vid nio olika tillfällen. Simuleringarna görs ett antal gånger för att fånga upp stokastiska beteenden. Andelen lyckade klassificeringar är hög och andelen falsklarm är låg.</p>

The domain below the surface in maritime security is hard to monitor with conventional methods, due to the often very noisy environment. In conventional methods the measurements are thresholded in order to distinguish potential targets. This is not always a feasible way of treating measurements. In this thesis a system based on raw measurements, that are not thresholded, is presented in order to track and classify divers with an active sonar. With this system it is possible to detect and track weak targets, even with a signal to noise ratio that often goes below 0 dB. The system in this thesis can be divided into three parts: the processing of measurements, the association of measurements to targets and the classification of targets. The processing of measurements is based on a particle filter using Track Before Detect (TBD). Two algorithms for association of measurements, Joint Probabilistic Data Association (JPDA) and Highest Probability Data Association (HPDA), have been implemented. The classification of targets is done using an assumed novel approach. The system is evaluated by doing simulations with approximately 8 hours of recorded data, where divers are present at nine different times. The simulations are done a number of times to catch The classification rate is high and the false alarm rate is low. / Undervattensdomänen är svår att övervaka i marina säkerhetssystem med sedvanliga metoder, på grund av den brusiga miljön. I traditionella metoder trösklas mätningarna för att urskilja potentiella mål. Detta är inte alltid ett godtagbart sätt att behandla mätningar på. I den här rapporten presenteras ett system baserat på behandling av rå mätdata, som inte trösklas, för att spåra och klassificera dykare med en aktiv sonar. Med detta system är det möjligt att detektera och spåra svaga mål, trots att signal till brus förhållandet ofta går under 0 dB. Systemet i den här rapporten kan delas upp i tre delar: behandling av mätningar, association av mätningar till mål samt klassificering av mål. Behandlingen av mätningarna görs med ett partikelfilter som använder Track Before Detect (TBD). Två algoritmer för associering av mätningar, Joint Probabilistic Data Association (JPDA) och Highest Probability Data Association (HPDA), har implementerats. Klassificeringen av mål görs med en egenutvecklad metod som inte har hittats i existerande dokumentation. Systemet utvärderas genom att simuleringar görs på ungefär 8 timmar inspelad data, där dykare är närvarande vid nio olika tillfällen. Simuleringarna görs ett antal gånger för att fånga upp stokastiska beteenden. Andelen lyckade klassificeringar är hög och andelen falsklarm är låg.

The localization of autonomous ground vehicles in dense urban environments poses a challenge. Applications in classical outdoor robotics rely on the availability of GPS systems in order to estimate the position. However, the presence of complex building structures in dense urban environments hampers a reliable localization based on GPS. Alternative approaches have to be applied In order to tackle this problem. This thesis proposes an approach which combines observations of a single perspective camera and odometry in a probabilistic framework. In particular, the localization in the space of appearance is addressed. First, a topological map of reference places in the environment is built. Each reference place is associated with a set of visual features. A feature selection is carried out in order to obtain distinctive reference places. The topological map is extended to a hybrid representation by the use of metric information from Geographic Information Systems (GIS) and satellite images. The localization is solved in terms of the recognition of reference places. A particle lter implementation incorporating this and the vehicle's odometry is presented. The proposed system is evaluated based on multiple experiments in exemplary urban environments characterized by high building structures and a multitude of dynamic objects.

As autonomous driving is rapidly becoming the next major challenge in the auto- motive industry, the problem of Simultaneous Localization And Mapping (SLAM) has never been more relevant than it is today. This thesis presents the idea of examining SLAM algorithms by implementing such an algorithm on a radio con- trolled car which has been fitted with sensors and microcontrollers. The software architecture of this small-scale vehicle is based on the Robot Operating System (ROS), an open-source framework designed to be used in robotic applications. This thesis covers Extended Kalman Filter (EKF)-based SLAM, FastSLAM, and GraphSLAM, examining these algorithms in both theoretical investigations, simulations, and real-world experiments. The method used in this thesis is model- based development, meaning that a model of the vehicle is first implemented in order to be able to perform simulations using each algorithm. A decision of which algorithm to be implemented on the physical vehicle is then made backed up by these simulation results, as well as a theoretical investigation of each algorithm. This thesis has resulted in a dynamic model of a small-scale vehicle which can be used for simulation of any ROS-compliant SLAM-algorithm, and this model has been simulated extensively in order to provide empirical evidence to define which SLAM algorithm is most suitable for this application. Out of the algo- rithms examined, FastSLAM was proven to the best candidate, and was in the final stage, through usage of the ROS package gMapping, successfully imple- mented on the small-scale vehicle.

The localization of autonomous ground vehicles in dense urban environments poses a challenge. Applications in classical outdoor robotics rely on the availability of GPS systems in order to estimate the position. However, the presence of complex building structures in dense urban environments hampers a reliable localization based on GPS. Alternative approaches have to be applied In order to tackle this problem. This thesis proposes an approach which combines observations of a single perspective camera and odometry in a probabilistic framework. In particular, the localization in the space of appearance is addressed. First, a topological map of reference places in the environment is built. Each reference place is associated with a set of visual features. A feature selection is carried out in order to obtain distinctive reference places. The topological map is extended to a hybrid representation by the use of metric information from Geographic Information Systems (GIS) and satellite images. The localization is solved in terms of the recognition of reference places. A particle lter implementation incorporating this and the vehicle's odometry is presented. The proposed system is evaluated based on multiple experiments in exemplary urban environments characterized by high building structures and a multitude of dynamic objects.

This thesis deals with different approaches to filtering the signal output of a three axis accelerometerfor free space orientation, that is, finding the orientation of a sensor relative to gravity. Theplatform this orientation system is to be developed for is a low-power, high-efficiency fixed-pointmath microprocessor, therefore efficiency and mathematical operation precision are factors thatalso need to be taken into consideration in this work.This is an exploratory work which goals are to analize potential filtering solutions for free spaceorientation with a three-axis accelerometer, develop a tool to validate the theorical analysis, studythe repercusions of limited precision math on those algorithms and implement a filtering solutionas versatile as possible.The goal of finding the orientation with the output of an accelerometer and without a prioriinformation is deceptively simple: while in relaxed state and within inertial systems the outputof a three axis accelerometer and the direction of gravity is the same, when that hypothesis istaken away measurements output by the accelerometer include both gravity and acceleration dueto external forces applied to the system.The contributions of this thesis are a discussion of potential solutions for free space orientationwith unrestrictive preconditions by use of an accelerometer, and an implementation of such solutionfor the MSP430, popular platform of choice for digital signal processing. The main purposeof such a solution is to improve the precision with which gravity is estimated from the outputof the accelerometer. Potential applications of this work are relative position tracking, mapping,positioning systems (for example, within buildings or vehicles, where any other existing positioningsystem cannot work, such as tunnels for GPS).Instead of just low-pass filtering the output of the accelerometer, estimations to the state ofexternal forces applied to the system and tracking of changes to those forces are presented. Tomodel that system, the Kalman filter and the Particle filter are introduced and analyzed as potentialsolutions.This document includes a discussion of both Kalman and Particle filters, implementation ofa tool to compare and validate the models to estimate gravity, a discussion of the effect of fixedpoint math to those models and an implementation of a gravity estimation algorithm that is typeand plattform agnosic based on the output of a 3-axis accelerometer.All relevant code has been included as an appendix to this work This thesis deals with di_erent approaches to _ltering the signal output of a three axis accelerometer for free space orientation, that is, _nding the orientation of a sensor relative to gravity. The plattform this orientation system is to be developed for is a low-power, high-e_ciency _xed-point math microprocessor, therefore e_ciency and mathematical operation precision are factors that also need to be taken into consideration in this work. This is an exploratory work which goals are to analize potential _ltering solutions for free space orientation with a three-axis accelerometer, develop a tool to validate the theorical analysis, study the repercusions of limited precision math on those algorithms and implement a _ltering solution as versatile as possible. The goal of _nding the orientation with the output of an accelerometer and without a priori information is deceptively simple: while in relaxed state and within inertial systems the output of a three axis accelerometer and the direction of gravity is the same, when that hypothesis is taken away measurements output by the accelerometer include both gravity and acceleration due to external forces applied to the system. The contributions of this thesis are a discussion of potential solutions for free space orientation with unrestrictive preconditions by use of an accelerometer, and an implementation of such solution for the MSP430, popular platform of choice for digital signal processing. The main purpose of such a solution is to improve the precision with which gravity is estimated from the output of the accelerometer. Potential applications of this work are relative position tracking, mapping, positioning systems (for example, within buildings or vehicles, where any other existing positioning system cannot work, such as tunnels for GPS). Instead of just low-pass _ltering the output of the accelerometer, estimations to the state of external forces applied to the system and tracking of changes to those forces are presented. To model that system, the Kalman _lter and the Particle _lter are introduced and analyzed as potential solutions. This document includes a discussion of both Kalman and Particle _lters, implementation of a tool to compare and validate the models to estimate gravity, a discussion of the e_ect of _xed point math to those models and an implementation of a gravity estimation algorithm that is type and plattform agnosic based on the output of a 3-axis accelerometer. All relevant code has been included as an appendix to this work. / Denna avhandling beskriver olika metoder för filtrering av utsignalen från en tre-axlig accelerationsmätare för orientering i ledigt utrymme, det vill säga att finna en sensors orientering iförhållande till tyngdkraften. Den plattform detta orienteringssystem ska utvecklas för är en högeffektivmikro-processor med fixed-point matematik, därför är även matematisk operationsprecisionoch efiektivitet faktorer som måste beaktas i detta arbete.Detta är ett förberedande arbete där målet är att analysera möjliga filtreringslösningar för friutrymmesorientering med en tre-axlig accelerationsmätare, utveckla ett verktyg för att validerateoretisk analys, studera konsekvenserna av att använda begränsad precisionsmatematik både algoritmernaoch implementera en filtreringslösning för mikroprocessorerna.Målet med att finna orienteringen med hjälp av utsignalen från en accelerationsmätare ochutan a priori-information är bedrägligt enkel: I avslappnat tillstånd och inom interna system ärutgången hos en tre-axlig accelerationsmätare och tyngdkraftens riktning densamma, när den hypotesenär borttagen visar mätningar att utgång av accelerometern inkluderar både gravitationoch acceleration pågrund av yttre påfrestningarna påsystemet.Bidragen från denna uppsats är en diskussion om möjliga lösningar för orientering i frittutrymme med orestriktiva förutsättningar genom användning av en accelerationsmätare, och ettgenomförande av en sådan lösning för fixed-point matematik mikrokontrollerna. Det huvudsakligasyftet med en sådan läsning är att förbättra den precision med vilken gravitation uppskattas frånutsignalen från en accelerationsmätare. Potentiella tillämpningar av detta arbete är relativ positionsspårning, kartläggning, positioneringssystem (till exempel inom byggnader eller fordon, därandra befintliga positioneringssystem inte kan arbeta, till exempel tunnlar för GPS).Istället för att bara lågpass-filtrera utsignalen från en accelerationsmätare appliceras uppskattningartill stadiet av yttre krafter påsystemet och spårning av ändringar i dessa krafter presenteras.För att modellera systemet introduceras Kalman-filter och partikelfilter för att analyseras som potentiellalösningar.Det här dokumentet innehåller en diskussion om både Kalman och Partikelfilter, implementationav ett verktyg för att jämföra och validera modeller i syfte att uppskatta gravitationen,en diskussion om effekten av fixed-point matematik för dessa modeller och ett genomförande aven gravitationsuppskattningsalgoritm för mikrokontrollerna utifrån utgången hos en treaxlig accelerometer.Relevant kod finns som bilaga till detta arbete.. Denna avhandling beskriver olika metoder för filtrering av utsignalen från en tre-axlig accelerationsm ätare för orientering i ledigt utrymme, det vill säga att finna en sensors orientering i förhållande till tyngdkraften. Den plattform detta orienteringssystem ska utvecklas för är en högeffektiv mikro-processor med fixed-point matematik, därför är även matematisk operationsprecision och efiektivitet faktorer som måste beaktas i detta arbete. Detta är ett förberedande arbete där målet är att analysera möjliga filtreringslösningar för fri utrymmesorientering med en tre-axlig accelerationsmätare, utveckla ett verktyg för att validera teoretisk analys, studera konsekvenserna av att använda begränsad precisionsmatematik både algoritmerna och implementera en filtreringslösning för mikroprocessorerna. Målet med att finna orienteringen med hjälp av utsignalen från en accelerationsmätare och utan a priori-information är bedrägligt enkel: I avslappnat tillstånd och inom interna system är utgången hos en tre-axlig accelerationsmätare och tyngdkraftens riktning densamma, när den hypotesen är borttagen visar mätningar att utgång av accelerometern inkluderar både gravitation och acceleration pågrund av yttre påfrestningarna påsystemet. Bidragen från denna uppsats är en diskussion om möjliga lösningar för orientering i fritt utrymme med orestriktiva förutsättningar genom användning av en accelerationsmätare, och ett genomförande av en sådan lösning för fixed-point matematik mikrokontrollerna. Det huvudsakliga syftet med en sådan läsning är att förbättra den precision med vilken gravitation uppskattas från utsignalen från en accelerationsmätare. Potentiella tillämpningar av detta arbete är relativ positionssp årning, kartläggning, positioneringssystem (till exempel inom byggnader eller fordon, där andra befintliga positioneringssystem inte kan arbeta, till exempel tunnlar för GPS). Istället för att bara lågpass-filtrera utsignalen från en accelerationsmätare appliceras uppskattningar till stadiet av yttre krafter påsystemet och spårning av ändringar i dessa krafter presenteras. För att modellera systemet introduceras Kalman-filter och partikelfilter för att analyseras som potentiella lösningar. Det här dokumentet innehåller en diskussion om både Kalman och Partikelfilter, implementation av ett verktyg för att jämföra och validera modeller i syfte att uppskatta gravitationen, en diskussion om effekten av fixed-point matematik för dessa modeller och ett genomförande av en gravitationsuppskattningsalgoritm för mikrokontrollerna utifrån utgången hos en treaxlig accelerometer. Relevant kod finns som bilaga till detta arbete.. / Este documento presenta y discute diferentes soluciones para filtrar la señal de salida de un acelerómetro triaxial con el objetivo de conocer su orientación en el espacio libre, es decir, estimar la orientacifion del senson en relación con la gravedad. La plataforma sobre la cual estos algoritmos han de ser desplegados es un microcontrolador de bajo consumo y alta eficiencia, TI MSP430, por ello, la eficiencia y la precisión de las operaciones matemáticas en los diferentes algoritmos son también tratadas en este documento. Éste es un trabajo de exploración cuyos objectivos son el análisis de soluciones para el filtrado de la señal de un acelerómetro triaxial, el desarrollo de una herramienta para la validación del análisis teórico, el estudio de la repercusión sobre los algoritmos de filtrado de la limitada precisión en las operaciones matemáticas, y la implementación de una solución de filtrado para el microcontrolador MSP430 de Texas Instruments. Encontrar la orientación de un sensor con la señal de salida de un acelerómetro es un abjetivo relativamente complejo: mientras el sensor están estacionario, la señal de salida es la orientación, pero cuando fuerzas externas son aplicadas sobre el sensor, estas fuerzas contribuyen como ruido al problema que se presenta. Las contribuciones de este documento son una discusión sobre potenciales soluciones para el filtrado de la señal de un acelerómetro triaxial para la orientación en el espacio libre, y una implementación de una solución para el microcontrolador MSP430, plataforma popular para el proceso digital de señales. La principal misión de esta implementación es la mejora de la precisión con la que se estima la dirección de la gravedad mediante el uso de un acelerómetro triaxial. Aplicaciones potenciales están relacionadas con seguimiento de posición, mapeado, sistemas de posicionamiento (por ejemplo, dentro de vehiculos o edificios donde otros sistemas no funcionarían, como por ejemplo GPS en un túnel). En lugar de un simple filtro paso bajo para eliminar el ruido introducido por fuerzas externas, estimaciones del estado de las fuerzas externas y filtros para el seguimiento de las mismas son presentados en este documento. Para modelar dicho sistema, se introcucen el filtro de Kalman y el filtro de Partículas, y ambos se analizan como soluciones para este problema. Este documento incluye una discusión de ambos tros, la implementacion de una herramienta de validación para los mismos, anfialisis del efecto de la introducción de álgebra de punto fijo sobre los modelos, y una implementacion del sistema para el MSP430 de Texas Instruments. El código relevante de este trabajo se incluye como apéndice a este trabajo.

Due to the escalating demand for traffic information and management, the significance of traffic state estimation, which involves the assessment of traffic conditions on road segments with limited measurement data, is increasing. Two primary estimation methods are model-driven and data-driven. The former uses traffic flow models, while the latter relies on extensive historical data to explore relationships between traffic states. Due to the uninterrupted nature of highway traffic flow, conventional model-driven approach is adopted in the study to estimate traffic information from sensing data. Data-driven approach is applied to enhance the estimation results. The project mainly focuses on comparing the estimation performance between the Particle Filter and the commonly used Extended Kalman Filter. These two methods are implemented in combination with two typical traffic flow models: Cell Transmission Model and METANET. Moreover, the project investigates the potential of using vehicle-to-everything (V2X) data in traffic state estimation, either alone or combined with traditional inductive loop detector (ILD) data. Being an emerging traffic data source, V2X communication has been recently installed and tested on the motorways near Stockholm. This study provides essential insights into how V2X data can benefit existing traffic information estimation and its performance. To evaluate the models mentioned above, the estimation algorithms and traffic flow models are implemented in a self-developed platform, which may be useful for further work. Results from simulation experiments show that Particle Filter can carry out traffic state estimation with comparable accuracy to Extended Kalman Filter. While standalone V2X speed data falls short, effective fusion methods are implemented to combine both data types, ultimately achieving the desired accuracy. These fusion methods encompass direct filtering, weighted averaging, and linear regression. Future investigations could broaden their scope to include new data sources, such as unmanned aerial vehicles (UAVs), and delve into advanced data fusion techniques, such as deep learning. / På grund av den ökande efterfrågan på trafikinformation och trafikhantering ökar betydelsen av trafiklägesuppskattning, vilket innebär bedömning av trafikförhållandena på vägsegment med begränsade mätningsdata. Två primära uppskattningsmetoder är modellbaserade och datadrivna metoder. Den förra använder trafikflödesmodeller, medan den senare förlitar sig på omfattande historiska data för att utforska samband mellan trafiklägen. På grund av det oavbrutna vägtrafikflödet antas en konventionell modellbaserad metod i studien för att uppskatta trafikinformation från sensordata. Den datadrivna metoden används för att förbättra estimatresultaten. Projektet fokuserar främst på att jämföra prestandan i uppskattningen mellan Partikelfiltret och den vanligtvis använda Extended Kalman Filter. Dessa två metoder implementeras i kombination med två typiska trafikflödesmodeller: Cell Transmission Model och METANET. Dessutom undersöker projektet möjligheterna att använda fordons-till-allt (V2X) data i trafiklägesuppskattning, antingen ensamt eller i kombination med data från traditionella induktiva slingdetektorer (ILD). Som en framväxande källa till trafikdata har V2X-kommunikation nyligen installerats och testats på motorvägarna nära Stockholm. Denna studie ger väsentlig inblick i hur V2X-data kan gynna befintlig uppskattning av trafikinformation och dess prestanda. För att utvärdera ovan nämnda modeller implementeras uppskattningsalgoritmerna och trafikflödesmodellerna i en självutvecklad plattform, vilket kan vara användbart för framtida arbete. Resultaten från simuleringsexperiment visar att Partikelfiltret kan utföra trafiklägesuppskattning med jämförbar noggrannhet jämfört med Extended Kalman Filter. Medan fristående V2X-hastighetsdata inte når hela vägen fram implementeras effektiva sammanslagningsmetoder för att kombinera båda datatyperna och slutligen uppnå önskad noggrannhet. Dessa sammanslagningsmetoder omfattar direkt filtrering, viktad medelvärdesbildning och linjär regression. Framtida undersökningar kan utvidga deras omfattning för att inkludera nya datakällor, såsom obemannade flygfordon (UAV:er), och utforska avancerade tekniker för datafusion, såsom djupinlärning.

Die Fahrzeuglokalisierung ist im Bereich der Fahrerassistenzsysteme von entscheidender Bedeutung und Voraussetzung fur verschiedene Anwendungen der Robotik, wie z.B. Navigation oder Kollisionsvermeidung fur fahrerlose Transportsysteme (FTS). In dieser Arbeit wird ein Verfahren zur Lokalisierung mittels Landmarken vorgestellt, die eine Orientierung bezuglich einer Karte ermoglichen. Dabei werden der Erweiterte- Kalman-Filter und der Partikel-Filter fur diese Aufgabe untersucht und verglichen. Ein Schwerpunkt dieser Betrachtungen stellt dabei der Partikel-Filter dar. Die besondere Problematik der Initialisierung wird ausfuhrlich fur beide Filter dargestellt. Simulationen und Versuche zeigen, dass sich der Partikel-Filter fur eine robuste Lokalisierung der Fahrzeugposition verwenden lasst. Im Vergleich dazu kann der Erweiterte-Kalman-Filter nur im begrenzten Maße eingesetzt werden. / The localization of vehicles is of vital importance in the field of driver assistance systems and a requirement of different applications for robotics, i.e. navigation or collision avoidance for automatic guided vehicle systems. In this thesis an approach for localization by means of landmarks is introduced, which enables an orientation regarding a map. The extended Kalman filter and the particle filter are analyzed and compared. The main focus for this consideration is on the particle filter. The problematic for initialization is discussed in detail for both filters. Simulations and tests prove that the particle filter is suitable for robust localization of the vehicle position. Compared to this, the extended Kalman filter can only be used to a certain extend.

Generative adversarial networks (GANs), a type of generative modeling framework, has received much attention in the past few years since they were discovered for their capacity to recover complex high-dimensional data distributions. These provide a compressed representation of the data where all but the essential features of a sample is extracted, subsequently inducing a similarity measure on the space of data. This similarity measure gives rise to the possibility of interpolating in the data which has been done successfully in the past. Herein we propose a new stochastic interpolation method for GANs where the interpolation is forced to adhere to the data distribution by implementing a sequential Monte Carlo algorithm for data sampling. The results show that the new method outperforms previously known interpolation methods for the data set LINES; compared to the results of other interpolation methods there was a significant improvement measured through quantitative and qualitative evaluations. The developed interpolation method has met its expectations and shown promise, however it needs to be tested on a more complex data set in order to verify that it also scales well. / Generative adversarial networks (GANs) är ett slags generativ modell som har fått mycket uppmärksamhet de senaste åren sedan de upptäcktes för sin potential att återskapa komplexa högdimensionella datafördelningar. Dessa förser en komprimerad representation av datan där enbart de karaktäriserande egenskaperna är bevarade, vilket följdaktligen inducerar ett avståndsmått på datarummet. Detta avståndsmått möjliggör interpolering inom datan vilket har åstadkommits med framgång tidigare. Häri föreslår vi en ny stokastisk interpoleringsmetod för GANs där interpolationen tvingas följa datafördelningen genom att implementera en sekventiell Monte Carlo algoritm för dragning av datapunkter. Resultaten för studien visar att metoden ger bättre interpolationer för datamängden LINES som användes; jämfört med resultaten av tidigare kända interpolationsmetoder syntes en märkbar förbättring genom kvalitativa och kvantitativa utvärderingar. Den framtagna interpolationsmetoden har alltså mött förväntningarna och är lovande, emellertid fordras att den testas på en mer komplex datamängd för att bekräfta att den fungerar väl även under mer generella förhållanden.