This study was conducted in collaboration with BAE Systems Hägglunds in Örnsköldsvik. They wanted help with their objective of researching the necessary components of a testability analysis. The primary goal was to enhance the efficiency of troubleshooting and diagnostics for their combat vehicle, Cv90. As their vehicles become increasingly advanced, troubleshooting can become challenging and time-consuming. An example of a problem that can arise is when an error code is displayed to the crew, but the technicians at the workshop are unable to identify the root cause of the error. To gather information, scientific articles and other relevant documents were extensively reviewed. Additionally, interviews were conducted with employees at BAE. The scope of the study was limited to troubleshooting within a workshop setting, rather than in the field. It was assumed that the troubleshooting equipment and software were functional, and the focus was solely on identifying faulty components. The research was conducted both in Umeå and on-site in Örnsköldsvik. A methodology for implementing a fault detection system with effective testability was developed. This encompassed considerations for the construction and content of the troubleshooting system. Determining the system's requirements and devising methods for testing their fulfillment were crucial aspects. Prioritization of different functions based on their criticality was recommended. Critical functions should be addressed first and may require more costly and intricate solutions. Various approaches to enhance troubleshooting at a more granular level were identified. These included establishing better threshold values, accounting for measurement uncertainties in the test equipment, and emphasizing the importance of a robust test design that considers deviations from system equilibrium. Additionally, worn components were recognized as a potential cause for false indications that are challenging to diagnose. It is important to note that these improved fault detection methods have not yet been implemented in the vehicles. / Studien genomfördes i samarbete med BAE Systems Hägglunds i Örnsköldsvik. De ville få hjälp med sitt mål att undersöka de nödvändiga komponenterna i en testabilityanalys. Det primära målet var att effektivisera felsökning och diagnostisering av deras stridsfordon, Cv90. När deras fordon blir alltmer avancerade kan felsökningen bli utmanande och tidskrävande. Ett exempel på ett problem som kan uppstå är att en felkod visas för besättningen, men teknikerna på verkstaden kan inte identifiera orsaken till felet. För att samla information gjordes en omfattande granskning av vetenskapliga artiklar och andra relevanta dokument. Dessutom genomfördes intervjuer med anställda på BAE. Studiens omfattning var begränsad till felsökning på verkstaden, snarare än i fält. Det antogs att felsökningsutrustningen och programvaran var funktionella, och fokus låg enbart på att identifiera felaktiga komponenter. Arbetet utfördes både i Umeå och på plats i Örnsköldsvik. En metodik för att implementera ett felsökningssystem med god testbarhet utvecklades. Detta omfattade överväganden för felsökningssystemets konstruktion och innehåll. Att bestämma systemets krav och utforma metoder för att testa deras uppfyllnad var avgörande aspekter. Prioritering av olika funktioner baserat på deras kritikalitet rekommenderades. Kritiska funktioner bör åtgärdas först och kan kräva mer kostsamma och invecklade lösningar. Olika metoder för att förbättra felsökning på en mer detaljerad nivå identifierades. Dessa inkluderade att fastställa bättre tröskelvärden, ta hänsyn till mätosäkerheter i testutrustningen och betona vikten av en robust testdesign som tar hänsyn till avvikelser från systemjämvikt. Dessutom identifierades slitna komponenter som en potentiell orsak till felaktiga indikationer som är svåra att diagnostisera. Det är viktigt att notera att dessa förbättrade felsökningsmetoder ännu inte har implementerats i fordonen.

A common task in data science at internet companies is to develop metrics that capture aspects of the user experience. In this thesis, we are interested in systems of measurement variables without direct causal relations such that covariance is explained by unobserved latent common causes. A framework for modeling the data generating process is given by Neuro-Causal Factor Analysis (NCFA). The graphical model consists of a directed graph with edges pointing from the latent common causes to the measurement variables; its functional relations are approximated with a constrained Variational Auto-Encoder (VAE). We refine the estimation of the graphical model by developing an MCMC algorithm over Bayesian networks from which we read marginal independence relations between the measurement variables. Unlike standard independence testing, the method is guaranteed to yield an identifiable graphical model. Our algorithm is competitive with the benchmark, and it admits additional flexibility via hyperparameters that are natural to the approach. Tuning these parameters yields superior performance over the benchmark. We train the improved NCFA model on Spotify user behavior data. It is competitive with the standard VAE on data reconstruction with the benefit of causal interpretability and model identifiability. We use the learned latent space representation to characterize clusters of Spotify users. Additionally, we train an NCFA model on data from a randomized control trial and observe treatment effects in the latent space. / En vanlig uppgift för en data scientist på ett internetbolag är att utveckla metriker som reflekterar olika aspekter av användarupplevelsen. I denna uppsats är vi intresserade av system av mätvariabler utan direkta kausala relationer, så till vida att kovarians förklaras av latenta gemensamma orsaker. Ett ramverk för att modellera den datagenererande processen ges av Neuro-Causal Factor Analysis (NCFA). Den grafiska modellen består av en riktad graf med kanter som pekar från de latenta orsaksvariablerna till mätvariablerna; funktionssambanden uppskattas med en begränsad Variational Auto-Encoder (VAE). Vi förbättrar uppskattningen av den grafiska modellen genom att utveckla en MCMC algoritm över Bayesianska nätverk från vilka vi läser de obetingade beroendesambanden mellan mätvariablerna. Till skillnad från traditionella oberoendetest så garanterar denna metod en identifierbar grafisk modell. Vår algoritm är konkurrenskraftig jämfört med referensmetoderna, och den tillåter ytterligare flexibilitet via hyperparametrar som är naturliga för metoden. Optimal justering av dessa hyperparametrar resulterar i att vår metod överträffar referensmetoderna. Vi tränar den förbättrade NCFA modellen på data om användarbeteende på Spotify. Modellen är konkurrenskraftig jämfört med en standard VAE vad gäller rekonstruktion av data, och den tillåter dessutom kausal tolkning och identifierbarhet. Vi analyserar representationen av Spotify-användarna i termer av de latenta orsaksvariablerna. Specifikt så karakteriserar vi grupper av liknande användare samt observerar utfall av en randomiserad kontrollerad studie.

This thesis tackles the problem of predicting the collision risk for vehicles driving in complex traffic scenes for a few seconds into the future. The method is based on previous research using dynamic Bayesian networks to represent the state of the system. Common risk prediction methods are often categorized into three different groups depending on their abstraction level. The most complex of these are interaction-aware models which take driver interactions into account. These models often suffer from high computational complexity which is a key limitation in practical use. The model studied in this work takes interactions between drivers into account by considering driver intentions and the traffic rules in the scene. The state of the traffic scene used in the model contains the physical state of vehicles, the intentions of drivers and the expected behaviour of drivers according to the traffic rules. To allow for real-time risk assessment, an approximate inference of the state given the noisy sensor measurements is done using sequential importance resampling. Two different measures of risk are studied. The first is based on driver intentions not matching the expected maneuver, which in turn could lead to a dangerous situation. The second measure is based on a trajectory prediction step and uses the two measures time to collision (TTC) and time to critical collision probability (TTCCP). The implemented model can be applied in complex traffic scenarios with numerous participants. In this work, we focus on intersection and roundabout scenarios. The model is tested on simulated and real data from these scenarios. %Simulations of these scenarios is used to test the model. In these qualitative tests, the model was able to correctly identify collisions a few seconds before they occur and is also able to avoid false positives by detecting the vehicles that will give way. / Detta arbete behandlar problemet att förutsäga kollisionsrisken för fordon som kör i komplexa trafikscenarier för några sekunder i framtiden. Metoden är baserad på tidigare forskning där dynamiska Bayesianska nätverk används för att representera systemets tillstånd. Vanliga riskprognosmetoder kategoriseras ofta i tre olika grupper beroende på deras abstraktionsnivå. De mest komplexa av dessa är interaktionsmedvetna modeller som tar hänsyn till förarnas interaktioner. Dessa modeller lider ofta av hög beräkningskomplexitet, vilket är en svår begränsning när det kommer till praktisk användning. Modellen som studeras i detta arbete tar hänsyn till interaktioner mellan förare genom att beakta förarnas avsikter och trafikreglerna i scenen. Tillståndet i trafikscenen som används i modellen innehåller fordonets fysiska tillstånd, förarnas avsikter och förarnas förväntade beteende enligt trafikreglerna. För att möjliggöra riskbedömning i realtid görs en approximativ inferens av tillståndet givet den brusiga sensordatan med hjälp av sekventiell vägd simulering. Två olika mått på risk studeras. Det första är baserat på förarnas avsikter, närmare bestämt att ta reda på om de inte överensstämmer med den förväntade manövern, vilket då skulle kunna leda till en farlig situation. Det andra riskmåttet är baserat på ett prediktionssteg som använder sig av time to collision (TTC) och time to critical collision probability (TTCCP). Den implementerade modellen kan tillämpas i komplexa trafikscenarier med många fordon. I detta arbete fokuserar vi på scerarier i korsningar och rondeller. Modellen testas på simulerad och verklig data från dessa scenarier. I dessa kvalitativa tester kunde modellen korrekt identifiera kollisioner några få sekunder innan de inträffade. Den kunde också undvika falsklarm genom att lista ut vilka fordon som kommer att lämna företräde.