Med hjälp av den här undersökningen i svenska med didaktisk inriktning skapas en uppgiftspecifik lärandematris utifrån en bedömningsmatris med hjälp av Johan Alms femstegsmodell. Avsikten med lärandematrisen är att synliggöra lärandet för eleven och baseras på de styrdokument som Skolverket tillhandahåller. Den har ett elevperspektiv, vilket skiljer den från den mer vedertagna bedömningsmatrisen, som har ett bedömningsperspektiv ur pedagogens vinkel. Lärandematrisens uppbyggnad med tydlig layout och lättillgängligt språk underlättar för elevens förståelse för uppgiften och dess progression vilket bör bidra till ökat kunskapsintag. Litteraturstudiens resultat bekräftar att femstegsmodellen är användbar i skapandet av lärandematrisen, och bekräftar därmed syfte och frågeställning. / With the help of this research in Swedish with didactic focus, a task-specific learning matrix is created based on an assessment matrix using Johan Alm's five-step model. The intention of the learning matrix is to make the learning visible to the student and is based on the steering documents provided by the National Agency for Education. It has a student perspective, which distinguishes it from the more accepted assessment matrix, which has an assessment perspective from the educator´s aspect. The structure of the learning matrix with clear layout and easily accessible language facilitates the student's understanding of the task and its progression, which should contribute to increased knowledge intake. The result of the literature study confirms that the five-step model is useful in the creation of the learning matrix, thereby confirming the purpose and research question.

The field of autonomous driving is as active as it has ever been, but the reality where an autonomous vehicle can drive on all roads is currently decades away. Instead, using an on-the-fly learning method, such as qHebb learning, a system can,after some demonstration, learn the appearance of any road and take over the steering wheel. By training in a simulator, the amount and variation of training can increase substantially, however, an on-rails auto-pilot does not sufficiently populate the learning space of such a model. This study aims to explore concepts that can increase the variance in the training data whilst the vehicle trains online. Three computationally light concepts are proposed that each manages to result in a model that can navigate through a simple environment, thus performing better than a model trained solely on the auto-pilot. The most noteworthy approach uses multiple thresholds to detect when the vehicle deviates too much and replicates the action of a human correcting its trajectory. After training on less than 300 frames, a vehicle successfully completed the full test environment using this method. / Autonom körning är ett aktivt område inom både industrin och forskarvärlden, men ännu är en verklighet där förarlösa fordon kan ta sig fram oavsett väg, decennier bort. Istället kan man genom att använda en adaptiv inlärningsmodell som qHebb learning uppnå ett system som kan ta sig fram självmant på alla vägar, efter en initial inlärningsperiod. Genom att använda en simulator skulle möjligheten att träna en sådan modell öka avsevärt, likaså variationen av vägtyper och det omgivande landskapet. Dock klarar inte en enformig autopilot att fylla modellens lärningsrymd. Detta arbete stävar efter att utforska koncept som kan öka variationen på träningsdatan, medan fordonet kör. Tre prestandalätta metoder presenteras som alla överträffar autopiloten och resulterar i en modell som lärt sig att följa en väg längs kurvor och raksträckor. Det främsta konceptet använder sig av två tröskelvärden för att korrigera fordonets styrning då den avviker för mycket från den korrekta rutten. Efter träning på färre än 300 bilder lyckas denna metod slutföra alla testsegment utan kollision.