Vehicles losing their GPS signal is a considerable issue for autonomous vehicles and can be a danger to people in their vicinity. To circumvent this issue, a particle filter localization technique using pre-generated offline Open Street Map (OSM) maps was investigated in a software simulation of Scania’s heavy-duty trucks. The localization technique runs in real-time and provides a way to localize the vehicle safely if the starting position is known. Access to global localization was limited, and the particle filter still succeeded in localizing the vehicle in the vicinity of the correct road segment by creating a graph of the map information and matching the trajectory to the vehicle’s sensor data. The mean error of the Particle filter localization technique in optimal conditions is 16m, which is 20% less than an optimally tuned dead reckoning solution. The mean error is about 50% larger compared to a Global Positioning System. The final product shows potential for expansion but requires more investigation to allow for real-world deployment. / Att fordon kan mista sin GPS-signal är ett stort problem för autonoma fordon och kan vara en fara för människor i dess närhet. För att undvika detta problem föreslås en icke-global lokaliseringsteknik som använder Open Street Maps-kartor (OSM) och ett partikelfilter för att lokalisera fordonet i en mjukvarusimulation. Implementering körs i realtid och anger fordonets position med en tillräcklig träffsäkerhet för att det inte ska utgöra någon fara om dess startposition är känd. Globala lokaliseringsmöjligheter var begränsade, och partikelfiltret lyckades lokalisera fordonet till rätt vägsegment genom att konstruera en graf över den kartinformation den läst in och para ihop fordonets nuvarande färdväg med denna. Resultatet ger en lösning som optimalt har ett medelfel på 16m, vilket är 20% mindre än medelfelet jämfört med optimiserad dödräkning. Lösningen har ca 50% större medelfel än positionering med GPS. Slutresultatet visar en potential att användas i verkliga situationer, men kräver mer undersökningar.

Power electronic devices have become integral components in modern consumer and transportation industries. Predicting the failure or health status of these devices not only ensures operational safety and prevents catastrophic consequences but also leads to reduced downtime and operational costs. However, failure or health status prediction represents a complex problem marked by numerous intrinsic and extrinsic variables, leading to different lifetimes of devices. Additionally, selecting relevant precursor signals that effectively capture the underlying failure mechanisms and overcoming time-series prediction challenges, such as handling dynamic and non-linear behaviors, are crucial for accurate predictions. In the thesis, three models—Kalman filter (KF), Particle filter (PF), and Autoregressive Integrated Moving Average (ARIMA)—are applied, compared, and evaluated for failure or health status prediction of power electronic devices using Power Cycling (PC) test data for power diodes. Among the models, the KF demonstrates the most significant performance while consuming the least amount of time. The PF achieves the second-best performance and the third-best time consumption. Meanwhile, the in-sample ARIMA model delivers the third-best performance and the second-best time consumption. Finally, the out-of-sample ARIMA model ranked the lowest in both performance and time consumption. These results suggest that dynamic models, specifically the KF and PF, exhibit superior generalization capabilities across different devices. This underscores the potential of dynamic models for enhancing predictive accuracy while optimizing computational efficiency in the context of real-time power electronic device health monitoring. / Effektelektronikkomponenter har blivit integrerade delar av moderna konsument- och transportindustrier. Att förutsäga fel eller hälsotillstånd hos dessa enheter säkerställer inte bara operativ säkerhet och förebygger katastrofala konsekvenser utan leder också till minskad driftstopp och lägre driftskostnader. Dock representerar förutsägelse av fel eller hälsotillstånd en komplex uppgift som kännetecknas av många inbyggda och yttre variabler, vilket leder till olika livslängder för enheterna. Dessutom är det avgörande för noggranna förutsägelser att välja relevanta föregångssignaler som effektivt fångar upp de underliggande felmekanismerna och övervinna utmaningar med tidsberoende prediktion, såsom hantering av dynamiska och icke-linjära beteenden. I avhandlingen tillämpas, jämförs och utvärderas tre modeller - Kalman-filter (KF), partikelfilter (PF) och autoregressiv integrerad rörlig medelvärde (ARIMA) - för förutsägelse av fel eller hälsotillstånd hos effektelektronikkomponenter med hjälp av testdata för effektdioder från Power Cycling (PC). Bland modellerna visar KF den mest betydande prestandan samtidigt som den kräver minst tid. PF uppnår den näst bästa prestandan och den tredje bästa tidsåtgången. Samtidigt ger in-sample ARIMA-modellen den tredje bästa prestandan och den näst bästa tidsåtgången. Slutligen rankades out-of-sample ARIMA-modellen lägst både när det gäller prestanda och tidsåtgång. Dessa resultat tyder på att dynamiska modeller, särskilt KF och PF, uppvisar överlägsna generaliseringsförmågor över olika enheter. Detta understryker potentialen hos dynamiska modeller för att förbättra förutsägelseprecisionen samtidigt som de optimerar beräkningskapaciteten i sammanhanget av övervakning av hälsotillståndet för effektelektronikkomponenter i realtid.

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.