This thesis investigates the seasonal predictive capabilities of Neural Radiance Fields (NeRF) applied to satellite images. Focusing on the utilization of satellite data, the study explores how Sat-NeRF, a novel approach in computer vision, per- forms in predicting seasonal variations across different months. Through compre- hensive analysis and visualization, the study examines the model’s ability to cap- ture and predict seasonal changes, highlighting specific challenges and strengths. Results showcase the impact of the sun on predictions, revealing nuanced details in seasonal transitions, such as snow cover, color accuracy, and texture represen- tation in different landscapes. The research introduces modifications to the Sat- NeRF network. The implemented versions of the network include geometrically rendered shadows, a signed distance function, and a month embedding vector, where the last version mentioned resulted in Planet-NeRF. Comparative evalua- tions reveal that Planet-NeRF outperforms prior models, particularly in refining seasonal predictions. This advancement contributes to the field by presenting a more effective approach for seasonal representation in satellite imagery analysis, offering promising avenues for future research in this domain.

A critical requirement for safe autonomous driving is to have an accurate state estimate of thevehicle. One of the most ubiquitous yet reliable ways for this task is through the integrationof the onboard Inertial Navigation System (INS) and the Global Navigation Satellite System(GNSS). This integration can further be assisted through fusion of information from otheronboard sensors. On top of that, a ground vehicle enforces its own set of rules, through non-holonomic constraints, which along with other vehicle dynamics can aid the state estimation.In this project, a sequential probabilistic inference approach has been followed, that fusesthe high frequency, short term accurate INS estimates, with low frequency, drift free GPSobservations. The fusion of GPS and IMU has been sought through a modular asynchronousloosely coupled framework, capable of augmenting additional observation sources to facilitatethe state estimation and tracking process. Besides GPS and IMU, the applied strategy makesuse of wheel speed sensor measurements, nonholonomic constraints and online estimationof IMU sensor biases as well wheel speed scalling factor. Theses augmentations have beenshown to increase the robustness of the localization module, under periods of GPS outage.The Extended Kalman Filter (EKF) has seen extensive usage for such sensor fusion tasks,however, the performance can be limited due to the propagation of the covariance throughlinearization of the underlying non-linear model. The Unscented Kalman Filter (UKF) avoidsthe issue of linearization based on jacobians. Instead, it uses a carefully chosen set ofsample points in order to accurately map the probability distribution. Correspondingly, thesurrounding literature also indicates towards the UKF out performing EKF in such tasks.Therefore, the present thesis also seeks to evaluate these claims.The EKF and SRUKF (Square Root UKF) instances of the developed algorithm have beentested on real sensor logs, recorded from a Scania test vehicle. Under no GPS outage situation,the implemented localization algorithm performs within a position RMSE of 60cm.The robustness of the localization algorithm, to GPS outages, is evaluated by simulating0-90% lengths of GPS unavailability, during the estimation process. Additionally, to unfoldthe impact of parameters, the individual modules within the suggested framework wereisolated and analysed with respect to their contribution towards the algorithm’s localizationperformance.Out of all, the online estimation of IMU sensor biases proved to be critical for increasingthe robustness of the suggested localization algorithm to GPS shortage, especially for the EKF.In terms of the distinction, both the EKF and the SRUKF performed to similar capabilities,however, the UKF showed better results for higher levels of GPS cuts. / Ett kritiskt krav för säker autonom körning är att ha en korrekt tillståndsuppskattning avfordonet. Ett av de mest förekommande men ändå tillförlitliga sätten för denna uppgift ärgenom integrationen av det inbyggda tröghetsnavigationssystemet (INS) och med Satellitnavi-gation (GNSS). Denna integration kan ytterligare underlättas genom sammanslagning avinformation från andra sensorer ombord. Utöver det upprätthåller ett markfordon sin egenuppsättning regler, genom icke-holonomiska begränsningar, som tillsammans med annanfordonsdynamik kan hjälpa till vid tillståndsuppskattningen.I detta projekt har en sekventiell probabilistisk slutledning följts, som sammansmälterde högfrekventa, kortsiktiga exakta INS-uppskattningarna, med lågfrekventa, driftfria GPS-observationer. Sammanslagningen av GPS och IMU har sökts genom ett modulärt asynkrontlöst kopplat ramverk, som kan utökas med ytterligare observationskällor för att underlättatillståndsuppskattningen och spårningsprocessen. Förutom GPS och IMU använder dentillämpade strategin mätningar av hjulhastighetssensorer, icke-holonomiska begränsningaroch onlineuppskattning av IMU-sensorbias samt hjulhastighetsskalningsfaktor. Dessa tillägghar visat sig öka robustheten hos lokaliseringsmodulen under perioder utan GPS-signal.Extended Kalman Filter (EKF) har sett omfattande användning för sådana sensorfusionsup-pgifter, men prestandan kan begränsas på grund av spridningen av kovariansen genomlinearisering av den underliggande icke-linjära modellen. Unscented Kalman Filter (UKF)undviker frågan om linearisering baserad på jacobianer. Istället använder den en noggrantutvald uppsättning provpunkter för att korrekt kartlägga sannolikhetsfördelningen. På motsva-rande sätt indikerar den omgivande litteraturen också mot UKF att utföra EKF i sådanauppgifter. Därför försöker denna avhandling också utvärdera dessa påståenden.EKF- och SRUKF-instanserna (Square Root UKF) av den utvecklade algoritmen hartestats på sensorloggar, inspelade från ett Scania-testfordon. Utan GPS-avbrott presterar denimplementerade lokaliseringsalgoritmen inom en position RMSE på 60 cm.Robustheten hos lokaliseringsalgoritmen, vid GPS-avbrott, utvärderas genom att simulera0-90% längder av GPS-otillgänglighet under uppskattningsprocessen. Utöver det har deenskilda modulerna inom det föreslagna ramverket isolerats och analyserats med avseendepå deras bidrag till algoritmens lokaliseringsprestanda.Av allt visade sig onlineuppskattningen av IMU-sensorbiaser vara avgörande för att ökarobustheten hos den föreslagna lokaliseringsalgoritmen mot GPS-brist, särskilt för EKF. Närdet gäller distinktionen presterade både EKF och SRUKF med liknande förmåga, men UKFvisade bättre resultat vid längre perioder utan GPS-signal.

Reinforcement learning was recently successfully used for real-world robotic manipulation tasks, without the need for human demonstration, usinga normalized advantage function-algorithm (NAF). Limitations on the shape of the advantage function however poses doubts to what kind of policies can be learned using this method. For similar tasks, convolutional neural networks have been used for pose estimation from images taken with fixed position cameras. For some applications however, this might not be a valid assumption. It was also shown that the quality of policies for robotic tasks severely deteriorates from small camera offsets. This thesis investigates the use of NAF for a pushing task with clear multimodal properties. The results are compared with using a deterministic policy with minimal constraints on the Q-function surface. Methods for pose estimation using convolutional neural networks are further investigated, especially with regards to randomly placed cameras with unknown offsets. By defining the coordinate frame of objects with respect to some visible feature, it is hypothesized that relative pose estimation can be accomplished even when the camera is not fixed and the offset is unknown. NAF is successfully implemented to solve a simple reaching task on a real robotic system where data collection is distributed over several robots, and learning is done on a separate server. Using NAF to learn a pushing task fails to converge to a good policy, both on the real robots and in simulation. Deep deterministic policy gradient (DDPG) is instead used in simulation and successfully learns to solve the task. The learned policy is then applied on the real robots and accomplishes to solve the task in the real setting as well. Pose estimation from fixed position camera images is learned and the policy is still able to solve the task using these estimates. By defining a coordinate frame from an object visible to the camera, in this case the robot arm, a neural network learns to regress the pushable objects pose in this frame without the assumption of a fixed camera. However, the precision of the predictions were too inaccurate to be used for solving the pushing task. Further modifications to this approach could however show to be a feasible solution to randomly placed cameras with unknown poses. / Reinforcement learning har nyligen använts framgångsrikt för att lära icke-simulerade robotar uppgifter med hjälp av en normalized advantage function-algoritm (NAF), detta utan att använda mänskliga demonstrationer. Restriktioner på funktionsytorna som använts kan dock visa sig vara problematiska för generalisering till andra uppgifter. För poseestimering har i liknande sammanhang convolutional neural networks använts med bilder från kamera med konstant position. I vissa applikationer kan dock inte kameran garanteras hålla en konstant position och studier har visat att kvaliteten på policys kraftigt förvärras när kameran förflyttas.   Denna uppsats undersöker användandet av NAF för att lära in en ”pushing”-uppgift med tydliga multimodala egenskaper. Resultaten jämförs med användandet av en deterministisk policy med minimala restriktioner på Q-funktionsytan. Vidare undersöks användandet av convolutional neural networks för pose-estimering, särskilt med hänsyn till slumpmässigt placerade kameror med okänd placering. Genom att definiera koordinatramen för objekt i förhållande till ett synligt referensobjekt så tros relativ pose-estimering kunna utföras även när kameran är rörlig och förflyttningen är okänd. NAF appliceras i denna uppsats framgångsrikt på enklare problem där datainsamling är distribuerad över flera robotar och inlärning sker på en central server. Vid applicering på ”pushing”- uppgiften misslyckas dock NAF, både vid träning på riktiga robotar och i simulering. Deep deterministic policy gradient (DDPG) appliceras istället på problemet och lär sig framgångsrikt att lösa problemet i simulering. Den inlärda policyn appliceras sedan framgångsrikt på riktiga robotar. Pose-estimering genom att använda en fast kamera implementeras också framgångsrikt. Genom att definiera ett koordinatsystem från ett föremål i bilden med känd position, i detta fall robotarmen, kan andra föremåls positioner beskrivas i denna koordinatram med hjälp av neurala nätverk. Dock så visar sig precisionen vara för låg för att appliceras på robotar. Resultaten visar ändå att denna metod, med ytterligare utökningar och modifikationer, skulle kunna lösa problemet.

With over 53 million articles and 11 million images, Wikipedia is the greatest encyclopedia in history. The number of users is equally significant, with daily views surpassing 1 billion. Such an enormous system needs automation of tasks to make it possible for the volunteers to maintain. When it comes to textual data, there is a system based on machine learning called ORES providing automation to tasks such as article quality estimation and article topic routing. A visual counterpart system also needs to be developed to support tasks such as vandalism detection in images and for a better understanding of the visual data of Wikipedia. Researchers from the Wikimedia Foundation identified a hindrance to implementing the visual counterpart of ORES: the images of Wikipedia lack topical metadata. Thus, this work aims to develop a deep learning model that classifies images into a set of topics, which have been pre-determined in parallel work. State-of-the-art image classification models and other methods to mitigate the existing class imbalance are used. The conducted experiments show, among others, that: using the data that considers the hierarchy of labels performs better; resampling techniques are ineffective at mitigating imbalance due to the high label concurrence; sample-weighting improves metrics; and that initializing parameters as pre-trained on ImageNet rather than randomly yields better metrics. Moreover, we find interesting outlier labels that, despite having fewer samples, obtain better performance metrics, which is believed to be either due to bias from pre-training or simply more signal in the label. The distribution of the visual data predicted by the models displayed. Finally, some qualitative examples of the model predictions to some images are presented, proving the ability of the model to find correct labels that are missing in the ground truth

This thesis aims to create a system using colour markings for Volvo’s autonomous wheel loaders which determines their restricted area and operation using sensors available on the machine. The wheel loader shall be able to interpret and distinguish different colours of spray paint, and depending on the colour, act accordingly. Six different colours are evaluated across two different colour types to find the most suitable ones for the system. Multiple tests are presented throughout the thesis to find the approach with the most optimal performance that meets the system's requirements. The system is evaluated in various weather conditions to determine how the weather affects the performance of the system. The thesis also compares two different line-following approaches, where one is based on edge detection using Canny Edge and Hough transform, and the other uses histogram analysis and sliding window search, to distinguish and track the colour markings. While the wheel loader is in operation, it collects GPS coordinates to create a map of the path taken by the wheel loader and the location of various tasks. The evaluation shows that red, green and blue in fluorescent colour type are the most suitable colours for such a system. The line-following algorithm that utilises perspective warp, histogram and a sliding window search was the most prominent for accurate line detection and tracking. Furthermore, the evaluation showed that the performance of the system was affected depending on the weather condition.

Markov processes have a long history of being used to model safety critical systems. However, with the development of autonomous vehicles and their increased complexity, Markov processes have been shown to not be sufficiently precise for reliability calculations. Therefore there has been the need to consider a more general stochastic process, namely the Semi-Markov process (SMP). SMPs allow for transitions with general distributions between different states and can be used to precisely model complex systems. This comes at the cost of increased complexity when calculating the reliability of systems. As such, methods to increase the interpretability of the system and allow for appropriate approximations have been considered and researched. In this thesis, a novel classification approach for transitions in SMP has been defined and complemented with different conjectures and properties. A transition is classified as good or bad by comparing the reliability of the original system with the reliability of any perturbed system, for which the studied transition is more likely to occur. Cases are presented to illustrate the use of this classification technique. Multiple suggestions and conjectures for future work are also presented and discussed. / Markovprocesser har länge använts för att modellera säkerhetskritiska system. Med utvecklingen av autonoma fordon och deras ökade komplexitet, har dock markovprocesser visat sig vara otillräckliga exakta för tillförlitlighetsberäkningar. Därför har det funnits ett behov för en mer allmän stokastisk process, nämligen semi-markovprocessen (SMP). SMP tillåter generella fördelningar mellan tillstånd och kan användas för att modellera komplexa system med hög noggrannhet. Detta innebär dock en ökad komplexitet vid beräkningen av systemens tillförlitlighet. Metoder för att öka systemets tolkningsbarhet och möjliggöra lämpliga approximationer har därför övervägts och undersökts. I den här masteruppsatsen har en ny klassificeringsmetod för övergångar i SMP definierats och kompletteras med olika antaganden och egenskaper. En övergång klassificeras som antingen bra eller dålig genom en jämförelse av tillförlitligheten i det ursprungliga systemets och ett ändrat system, där den studerade övergången har högre sannolikhet att inträffa. Fallstudier presenteras för att exemplifiera användningen av denna klassificeringsteknik. Flera förslag och antaganden för framtida arbete presenteras och diskuteras också.

Since the advent of machine learning and machine vision methods, progress has been made in tackling the long-standing research question of autonomous grasping of arbitrary objects using robotic end-effectors. Building on these efforts, we focus on a subset of the general grasping problem concerning the automation of a forwarder. This forestry vehicle collects and transports felled and cut tree logs in a forest environment to a nearby roadside landing. The forwarder must safely and energy-efficiently grip logs to minimize fuel consumption and reduce loading times. In this thesis project, we develop a data-driven model for predicting the expected outcome of grasping attempts made by the forwarder's crane. For a given pile of logs, such a model can estimate the optimal horizontal location and angle for applying the claw grapple, enabling effective grasp planning. We utilize physics-based simulations to create a ground truth dataset of 12 500 000 simulated grasps distributed across 5000 randomly generated log piles. Our semi-generative, supervised model is a fully convolutional network that inputs the orthographic depth image of a pile and returns images predicting the corresponding grasps' initial grapple angle and outcome metrics as a function of position. Over five folds of cross-validation, our model predicted the number of grasped logs and the initial grapple angle with a normalized root mean squared error of 15.77(2)% and 2.64(4)%, respectively. The grasps' energy efficiency and energy waste were similarly predicted with a relative error of 14.43(2)% and 21.06(3)%. / Sedan tillkomsten av maskininlärnings- och maskinseendebaserade metoder har betydande framsteg gjorts inom forskningsområdet för autonom greppning av godtyckliga objekt med en robotisk sluteffektor. Vi bygger vidare på dessa resultat och fokuserar på en del av det generella greppningsproblemet gällande automatisering av en skotare. Denna skogsmaskin samlar in och transporterar fällda och kapade trädstammar från avverkningsplats till upplag intill närliggande skogsbilväg. Skotaren måste greppa och lyfta stockarna på ett säkert och energieffektivt sätt för att minimera bränsleförbrukningen samt minska lastningstiderna. I detta examensarbete utvecklar vi en datadriven modell för att förutsäga det förväntade resultatet av gripförsök utförda av skotarens kran. För en given timmerstockshög kan en sådan modell uppskatta den optimala positionen och vinkeln för att applicera skotarens gripklo, vilket möjliggör effektiv planering av lastningen. Vi använder fysikbaserade simuleringar för att skapa ett dataset med 12 500 000 simulerade gripförsök fördelade över 5000 slumpmässigt genererade timmerhögar. Vår semi-generativa, övervakade modell är ett djupt faltningsnätverk utan helt sammankopplade neuronlager som tar in en ortografisk djupbild av en timmerhög och returnerar bilder som predikterar de motsvarande gripförsökens initiala gripvinkel och resultatmått som en funktion av position. Vid en femfaldig korsvalidering förutsåg vår modell antalet greppade stockar och den initiala gripvinkeln med ett normaliserat rotmedelkvadratfel på 15.77(2)% respektive 2.64(4)%. Gripförsökens energieffektivitet och energiförlust predikterades på liknande sätt med ett relativt fel på 14.43(2)% och 21.06(3)%.

For Autonomous Underwater Vehicles (AUVs) to be able to conduct longterm surveys, the ability to return to a docking station for maintenance and recharging is crucial. A dynamic docking system where a slowly moving submarine acts as the docking station provides increased hydrodynamic control and reduces the impact of environmental disturbances. A vision-based relative positioning system using a camera, mounted on the AUV, and light sources, mounted on the docking station, is investigated as a suitable high-resolution and high-frequency solution for a short-range relative positioning system. Detection and identification of the true light sources in the presence of reflections, ambient light, and other luminaries, requires a robust tracking pipeline that can reject false positives. In this thesis, we present a complete tracking pipeline, from image processing to pose estimation, specifically for a soft docking scenario. We highlight the issues of light source detectors based on finding a unique global threshold and detectors based on gradient information and propose a novel method, based on using a suitable threshold for each light source. Rejection of false positives is handled systematically by rejecting pose estimates resulting in large re-projection errors, and a configuration of the light sources is proposed that enhances the pose estimation performance. The performance of the proposed light source detector is evaluated on the D-recovery dataset. Results show that the proposed method outperforms other methods in identifying the light sources. The tracking pipeline is evaluated with experiments as well as a simulation based on the Stonefish simulator. / För att autonoma undervattensfordon ska kunna utföra långsiktiga undersökningar är möjligheten att återvända till en dockningsstation för underhåll och laddning avgörande. Ett dynamiskt dockningssystem där en långsamtgående ubåt agerar som dockningsstation ger en ökad hydrodynamisk kontroll och minskar påverkan av omgivande miljöstörningar. Ett synbaserat, relativt positioneringssystem som använder en kamera, monterad på farkosten, och ljuskällor, monterad på dockningsstationen, undersöks som en lämplig högupplöst och högfrekvent lösning för ett relativt positioneringssystem med kort räckvidd. Detektering och identifiering av de verkliga ljuskällorna i närvaro av reflektioner, omgivande ljus och andra störande ljuskällor kräver ett robust spårningssystem som kan särskilja de sanna ljuskällorna från de omgivande störningarna. I denna uppsats presenteras ett komplett spårningssystem, från bildbehandling till positionsestimering, specifikt för ett soft docking scenario. Vi lyfter fram problem med detektorer baserat på att hitta ett unikt globalt tröskelvärde och detektorer baserade på gradientinformation. Vi föreslår en ny metod baserad på att använda ett lämpligt tröskelvärde för varje ljuskälla. Omgivande störningar hanteras systematiskt genom att avvisa positionestimeringar som resulterar i stora projektionsfel, och en konfiguration av ljuskällorna föreslås som förbättrar positionsestimeringens prestanda. Prestandan hos den föreslagna ljuskällsdetektorn utvärderas på datasetet D-recovery. Resultaten visar att den föreslagna metoden överträffar andra metoder i att identifiera ljuskällorna. Spårningsystemet utvärderas med experiment samt en simulering baserad på Stonefish-simulatorn.

Bakgrund: Dykreflexen är en reflex som aktiveras när däggdjur håller andan och när receptorer i ansiktet utsätts för kyla. Det är en evolutionär adaption som har utvecklats för att spara på syre i situationer då ny syretillförsel inte finns att tillgå. Den syresparande funktionen aktiveras även vid endast kylstimulering av ansiktet. Denna studie har undersökt vilken effekt dykreflexen har på återhämtningen efter aerob submaximal fysisk aktivitet. Syfte: Syftet med studien var att undersöka om dykreflexen påverkar återhämtningen efter aerob submaximal fysisk aktivitet med avseende på puls och självskattad ansträngning.  Metod: Studiedesignen var en randomiserad cross-over design. Studiedeltagarna var sina egna kontroller. Interventionen var applicering av kyla mot ansiktet (5–10 ºC) mot pannan och ögonen efter avslutad submaximal aerob fysisk aktivitet. Ett kontrolltest utfördes med hudtempererat vatten (27–33 ºC). Insamlade data var pulsåterhämtning och skattad ansträngning 60sek och 180sek efter avslutad submaximal aerob fysisk aktivitet. Resultat: Mediandifferensen mellan HRR60s med och utan kyla visade 0,5 pulsslag större återhämtning med interventionen. Mediandifferensen för HRR180s med och utan kyla visade 2 pulsslag större återhämtning med interventionen. Resultatet av självskattningen enligt Borgs RPE60s samt Borgs RPE180s visar 0,5 skalsteg större mediandifferens med interventionen. Signifikansnivå var satt till P = 0,05. Resultatet från de olika testerna visade P = 0,286 för HRR60s, P = 0,212 för HRR180s, P = 0,374 för Borgs RPE60s samt P = 1,000 för Borgs RPE180s. Konklusion: Resultaten visade inte någon statistiskt signifikant skillnad sett till pulsåterhämtning och självskattad ansträngning mellan interventionen med kyla i ansiktet och kontrolltestet med hudtempererat vatten i ansiktet. / Background: The diving reflex is a response triggered when mammals hold their breath and receptors in the face are exposed to cold. It's an evolutionary adaptation developed to conserve oxygen in situations where fresh oxygen isn't readily available. The oxygen-conserving function activates even with just facial cold stimulation. This study explored the impact of the diving reflex on recovery after aerobic submaximal physical activity. Objective: The purpose of the study was to investigate if the diving reflex affects recovery following aerobic submaximal physical activity in terms of heart rate and perceived exertion. Method: The study design was a randomized crossover design. Participants acted as their own controls. The intervention was cold stimulus (5–10°C) to the forehead and eyes after completing submaximal aerobic physical activity. The same procedure was conducted in the control test, but with skin-tempered water (27–33°C). Collected data included pulse recovery and perceived exertion at 60 seconds and 180 seconds after completing submaximal aerobic physical activity. Results: The median difference between HRR60s with and without cold showed a 0.5 bpm greater recovery with the intervention. The median difference for HRR180s with and without cold showed a 2 bpm greater recovery with the intervention. The self-assessed results using Borgs RPE60s and Borgs RPE180s displayed a 0.5 scale higher median difference with the intervention. The significance level was set at P = 0.05. The test results showed P = 0.286 for HRR60s, P = 0.212 for HRR180s, P = 0.374 for Borgs RPE60s, and P = 1.000 for Borgs RPE180s. Conclusion: The results do not show any statistically significant difference in terms of pulse recovery and self-perceived exertion between the intervention using facial cold application and the control test with application of skin-temperature water on the face.

Most of the navigation systems used in today’s aircraft rely on Global Navigation Satellite Systems (GNSS). However, GNSS is not fully reliable. For example, it can be jammed by attacks on the space or ground segments of the system or denied at inaccessible areas. Hence to ensure successful navigation it is of great importance to continuously be able to establish the aircraft’s location without having to rely on external reference systems. Localization is one of many sub-problems in navigation and will be the focus of this thesis. This brings us to the field of visual odometry (VO), which involves determining position and orientation with the help of images from one or more camera sensors. But to date, most VO systems have primarily been established on ground vehicles and low flying multi-rotor systems. This thesis seeks to extend VO to new applications by exploring it in a fairly new context; a fixed-wing piloted combat aircraft, for vision-only pose estimation in applications of extremely large scene depth. A major part of this research work is the data gathering, where the data is collected using the flight simulator X-Plane 11. Three different flight routes are flown; a straight line, a curve and a loop, for two types of visual conditions; in clear weather with daylight and during sunset. The method used in this work is ORB-SLAM3, an open-source library for visual simultaneous localization and mapping (SLAM). It has shown excellent results in previous works and has become a benchmark method often used in the field of visual pose estimation. ORB-SLAM3 tracks the straight line of 78 km very well at an altitude over 2700 m. The absolute trajectory error (ATE) is 0.072% of the total distance traveled in daylight and 0.11% during sunset. These results are of the same magnitude as ORB-SLAM3 on the EuRoC MAV dataset. For the curved trajectory of 79 km ATE is 2.0% and 1.2% of total distance traveled in daylight and sunset respectively.  The longest flight route of 258 km shows the challenges of visual pose estimation. Although it is managing to close loops in daylight, it has an ATE of 3.6% during daylight. During sunset the features do not possess enough invariant characteristics to close loops, resulting in an even larger ATE of 14% of total distance traveled. Hence to be able to use and properly rely on vision in localization, more sensor information is needed. But since all aircraft already possess an inertial measurement unit (IMU), the future work naturally includes IMU data in the system. Nevertheless, the results from this research show that vision is useful, even at the high altitudes and speeds used by a combat aircraft.