George Orwell’s Nineteen Eighty-Four, first published in 1949, is a vision of socialism gone wrong. The setting of Oceania is a world ruled over by an oligarchical collective, “The Party,” which wields absolute power through a formidable combination of surveillance technology and the operation of the principles of “panoptic control,” a concept drawn from Jeremy Bentham’s model prison design of the late 1700s and revived by Foucault in the mid 1970s. The combination of surveillance technology and panoptic control is central to the functioning of power in Orwell’s novel, a union which has created a self-sustaining form of totalitarianism dependent on the oppression of individual identity for its automatic perpetuation. This essay offers a reading of Nineteen Eighty-Four as an implicit critique of Bentham’s Panopticon which in many ways foreshadowed the later work of Michel Foucault on the functioning of power within this specific type of physical and social architecture. / George Orwells roman 1984, vilken publicerades första gången 1949, är en framtidsvision om socialism som gått fel. Romanen utspelas i Oceania, en värld som styrs av ett oligarkiskt kollektiv, “Partiet,” vilket utövar absolut makt genom en utstuderad kombination av övervakningsteknik och teorin om “panoptisk” kontroll, ett begrepp sprunget ur av Jeremy Benthams fängelsemodell från sent 1700-tal, vilket återskapades av Michel Foucault i mitten av 1970-talet. Kombinationen av övervakningsteknologi och panopticism har i Oceanien skapat en totalitarianism som fungerar med automatik och förtrycker individuell identitet för att befästa statens makt. Denna uppsats närmar sig Orwells 1984 som en underförstådd kritik av Benthams arbete. Vidare identifier i romanen 1984 många av Foucault’s idéer om hur makt fungerar i en panoptisk struktur.

Environment perception is crucial to autonomous driving. Panoptic segmentation and objects tracking are two challenging tasks, and the combination of both, namely 4D panoptic segmentation draws researchers’ attention recently. In this work, we implement 4D panoptic LiDAR segmentation (4D-PLS) on Volvo datasets and provide a pipeline of data preparation, model building and model optimization. The main contributions of this work include: (1) building the Volvo datasets; (2) adopting an 4D-PLS model improved by Hyperparameter Optimization (HPO). We annotate point cloud data collected from Volvo CE, and take a supervised learning approach by employing a Deep Neural Network (DNN) to extract features from point cloud data. On the basis of the 4D-PLS model, we employ Bayesian Optimization to find the best hyperparameters for our data, and improve the model performance within a small training budget. / Miljöuppfattning är avgörande för autonom körning. Panoptisk segmentering och objektspårning är två utmanande uppgifter, och kombinationen av båda, nämligen 4D panoptisk segmentering, har nyligen uppmärksammat forskarna. I detta arbete implementerar vi 4D-PLS på Volvos datauppsättningar och tillhandahåller en pipeline av dataförberedelse, modellbyggande och modelloptimering. De huvudsakliga bidragen från detta arbete inkluderar: (1) bygga upp Volvos datauppsättningar; (2) anta en 4D-PLS-modell förbättrad av HPO. Vi kommenterar punktmolndata som samlats in från Volvo CE och använder ett övervakat lärande genom att använda en DNN för att extrahera funktioner från punktmolnsdata. På basis av 4D-PLS-modellen använder vi Bayesian Optimization för att hitta de bästa hyperparametrarna för vår data och förbättra modellens prestanda inom en liten utbildningsbudget.

4D panoptic segmentation is an emerging topic in the field of autonomous driving, which jointly tackles 3D semantic segmentation, 3D instance segmentation, and 3D multi-object tracking based on point cloud data. However, the difficulty of collection limits the size of existing point cloud datasets. Therefore, data augmentation is employed to expand the amount of existing data for better generalization and prediction ability. In this thesis, we built a new point cloud dataset named VCE dataset from scratch. Besides, we adopted a neural network model for the 4D panoptic segmentation task and proposed a simple geometric method based on translation operation. Compared to the baseline model, better results were obtained after augmentation, with an increase of 2.15% in LSTQ. / 4D-panoptisk segmentering är ett framväxande ämne inom området autonom körning, som gemensamt tar itu med semantisk 3D-segmentering, 3D-instanssegmentering och 3D-spårning av flera objekt baserat på punktmolnsdata. Svårigheten att samla in begränsar dock storleken på befintliga punktmolnsdatauppsättningar. Därför används dataökning för att utöka mängden befintliga data för bättre generalisering och förutsägelseförmåga. I det här examensarbetet byggde vi en ny punktmolndatauppsättning med namnet VCE-datauppsättning från grunden. Dessutom antog vi en neural nätverksmodell för 4D-panoptisk segmenteringsuppgift och föreslog en enkel geometrisk metod baserad på översättningsoperation. Jämfört med baslinjemodellen erhölls bättre resultat efter förstärkning, med en ökning på 2.15% i LSTQ.