In recent years, the interest in Augmented Reality (AR) applications for entertainment and productivity has grown. One company exploring this technology is LAZER WOLF STUDIOS, the developers behind Thrymd: an AR-driven board games platform powered by the Unity engine.  This paper details the development of a visual scripting framework, meant to provide end users with a means of developing their own games for the platform, without significant programming or background knowledge required. A graph-based visual language was implemented in a custom Unity editor window, in order to maintain a familiar and consistent feel for users. The graph consists of a series of branching, interconnected nodes which pass data in-between each other, and execute in succession. The graph is serialized as a Unity asset, and can easily be interacted with through regular C# scripts.  A small number of nodes were implemented, but for the system to be viable, more are needed. For that reason, extensibility was a core ideal; creating new node types must be fast and painless. As with any script layer, performance is generally worse than compiled code. Further work is needed to improve user experience. / Intresset för användandet av Augmenterad Verklighet (AR) för underhållning och produktivitetssyften har ökat på senare tid. LAZER WOLF STUDIOS är utvecklarna bakom Thrymd, en AR-driven brädspelsplattform byggd i spelmotorn Unity.  Denna rapport dokumenterar utvecklingsprocessen av ett visuellt skriptramverk byggt med avsikt att låta slutanvändare utveckla sina egna spel till plattformen utan större förkunskapskrav. Ett graf-baserat visuellt skriptspråk implementerades i en skräddarsydd editormiljö inuti Unity, för att bibehålla en bekant och konsekvent användarupplevelse. Grafen består av en serie förgrenande, sammankopplade noder som skickar data mellan varann och exekveras i sekvens. Grafen sparas som en resurs på hårddisken och är lätt att interagera med genom traditionella C#-skript i Unity.  Ett mindre antal noder implementerades, men fler krävs för att systemet ska vara brukbart. Av detta skäl designades språket med vidareutveckling i åtanke, då det måste vara enkelt att skapa nya noder. Som med de flesta skriptspråk är prestandan överlag sämre än kompilerad kod. Ytterligare arbete krävs för att förbättra användarupplevelsen.

Recent studies show that deep learning can be employed to learn from sensor data to improve accuracy and robustness of sensor fusion algorithms. In the same vein, in this thesis we use a state-of-the-art temporal convolution network to predict zero velocity updates (ZUPT) from raw inertial measurement unit (IMU) signals, and use the network output to improve the performance of an optimization-based pose estimator. Experiments were conducted on publicly available datasets, and results show that (i) the network can distinguish a car in motion vs. a car standing still by observing an IMU signal, and (ii) that ZUPT detection enhances the observability of states in the optimization-based pose estimation, thus reducing local drift. / Nyligen gjorda studier visar att djupinlärning kan användas för att lära av sensordata för att förbättra noggrannhet och robusthet hos sensorfusionsalgoritmer. På samma sätt använder vi i denna avhandling en tidsberoende faltnings neuronnätsmodell (TCN) för att detektera om ett fordon står stilla även kallat zero velocity updates (ZUPT) från IMU rå- data och använder neuronnätsprediktionen för att förbättra prestandan hos en optimeringsbaserad positionsuppskattning. Experiment utfördes på allmänt publicerade datamängder, och resultaten visar att (i) neuronnätsmodellen kan läras till att urskilja en bil i rörelse kontra en bil som står stilla genom att observera en IMU- signal, och (ii) att ZUPT- detektering förbättrar observerbarheten för tillstånd i den optimeringsbaserade positioneringsuppskattningen, vilket minskar lokal drift.