Som fisken i vattnet, ett projekt som tagit sin utgångspunkt i att återigen skapa liv på Skeppsbrokajen. Förhoppningen med projektet har varit att skapa en fiskmarknad som inte bara är en mötesplats utan en attraktionskraft. Från tidig morgon till sen kväll sker ett skådespel av fiskaktiviteter.   Projektnamnet Som fisken i vattnet har en historisk referens till fiskeköparnas sumpar, vilka fanns på platsen under början av 1900-talet. Marknaden har tack vare denna referens delvis placeras under befintlig kajnivå för att frigöra yta och skapa en lämplig miljö för livsmedel. Känsla av närhet till havet förtydligas genom en helglasad vägg, vilken är enda skyddet mellan Saltsjön och besökaren.   Marknaden ligger i liv med kajen precis emellan två av Gamla stans gränder. Marknadens två våningsplan är anpassade för två typer av besökare; den snabbare förbipasserande kunden samt de kunder som vill uppleva marknaden till fullo. Visionen är att besökaren ska kunna följa fiskens rörelse och process bakom glasade väggar, från det att den kommer in till marknaden till förädling och försäljning. / Baltic fish tank is a project generated with the aim to recreate vivacity at Skeppsbrokajen by adding a fish market that is not only a venue but also an attractive force within itself. From early mornings to late evenings the market will offer a scene of fishing activities.   The project name Baltic fish tank has a historical reference to the fish buyers sumps, which existed on the site during the early 1900s. The market is therefore placed under the existing quay level to free space on the embankment as well as create a suitable environment for seafood. A glass wall is the only thing separating the Baltic sea from the visitor and heightens the feeling of closeness to the ocean.   The marketplace is situated in between two of the Old Town's alleys. The floors of the building are designed for two types of visitors; the client passing by and the consumer who wants the full fish market experience. The vision is to enhance the visitors’ experience, allowing the consumer to follow the fish from the fisherman’s hand to the cold ice display out in the marketplace. The entire process including the gutting of the fish is easily followed through the glass walls adding to a full transparency.

Underwater navigation is a key technology for exploring the oceans and exploiting their resources. For autonomous underwater vehicles (AUVs) to explore the marine environment efficiently and securely, underwater simultaneous localization and mapping (SLAM) systems are often indispensable due to the lack of the global positioning system (GPS). In an underwater SLAM system, an AUV maps its surroundings and estimates its own pose at the same time. The pose of the AUV can be predicted by dead reckoning, but navigation errors accumulate over time. Therefore, sensors are needed to calibrate the state of the AUV. Among various sensors, the multibeam echosounder (MBES) is one of the most popular ones for underwater SLAM since it can acquire bathymetric point clouds with depth information of the surroundings. However, there are difficulties in data association for seabeds without distinct landmarks. Previous studies have focused more on traditional computer vision methods, which have limited performance on bathymetric data. In this thesis, a novel method based on deep learning is proposed to facilitate underwater perception. We conduct two experiments on place recognition and point cloud registration using data collected during a survey. The results show that, compared with the traditional methods, the proposed neural network is able to detect loop closures and register point clouds more efficiently. This work provides a better data association solution for designing underwater SLAM systems. / Undervattensnavigering är en viktig teknik för att utforska haven och utnyttja deras resurser. För att autonoma undervattensfordon (AUV) ska kunna utforska havsmiljön effektivt och säkert är underwater simultaneous localization and mapping (SLAM) system ofta oumbärliga på grund av bristen av det globala positioneringssystemet (GPS). I ett undervattens SLAM-system kartlägger ett AUV sin omgivning och uppskattar samtidigt sin egen position. AUV:s position kan förutsägas med hjälp av dödräkning, men navigeringsfel ackumuleras med tiden. Därför behövs sensorer för att kalibrera AUV:s tillstånd. Bland olika sensorer är multibeam ekolod (MBES) en av de mest populära för undervattens-SLAM eftersom den kan samla in batymetriska punktmoln med djupinformation om omgivningen. Det finns dock svårigheter med dataassociation för havsbottnar utan tydliga landmärken. Tidigare studier har fokuserat mer på traditionella datorvisionsmetoder som har begränsad prestanda för batymetriska data. I den här avhandlingen föreslås en ny metod baserad på djup inlärning för att underlätta undervattensuppfattning. Vi genomför två experiment på punktmolnregistrering med hjälp av data som samlats in under en undersökning. Resultaten visar att jämfört med de traditionella metoderna kan det föreslagna neurala nätverket upptäcka slingförslutningar och registrera punktmoln mer effektivt. Detta arbete ger en bättre lösning för dataassociation för utformning av undervattens SLAM-system.