Publikationer från KTH
Not a member yet
57933 research outputs found
Sort by
Estimating AADT from Cellular Network-Derived OD Data Using Neural Networks : A Case Study of Linköping
No full textThis thesis investigates whether cellular network data can support Annual AverageDaily Traffic (AADT) estimation at municipal scale by integrating an aggregatedcellular Origin–Destination (OD) product with a graph-based learning model. UsingTelia Crowd Insights for Linköping, Sweden (hourly OD person-trip counts, lateSeptember–October 2022) and a Sampers-derived road network, we develop an endto-end pipeline comprising data preparation, graph construction, model training,and evaluation. The core model is a Deep Learning model for OD Estimation witha stochastic traffic assignment calibration: standard BPR impedance functions areaggregated by road type and their parameters (α, β), together with a route-choicesensitivity (μ), are learned during training to promote a plausible network equilibrium.These parameters are used for calibration rather than behavioral interpretation.Results show credible link-level accuracy (R² ≈ 0.76; MAPE ≈ 22%), while OD-pairagreement with the Telia reference is weaker, with errors concentrated in one roadtypegroup. We identify three main contributors: (i) network aggregation that asks themodel to distribute citywide demand on a simplified graph, (ii) geographic bounding tothe municipality that omits cross-boundary and through flows, and (iii) the absence ofmode information and unknown vehicle occupancy, which prevents a direct conversionfrom person trips to vehicle flows. None of these limitations undermines the usefulnessof the data; rather, they motivate targeted alignment steps.We outline practical adjustments—introducing modal share and occupancy to convertperson trips to vehicles, extending the graph with external zones and gatewaycounts, and increasing road-type granularity—that should tighten OD recovery withoutsacrificing link-flow performance. The findings support graph-based learning as apromising foundation for AADT estimation with cellular network data, provided thesealignment steps are incorporated.Denna avhandling undersöker om mobilnätsdata kan stödja skattning av årsmedeldygnstrafik(ÅDT) på kommunal nivå genom att integrera en aggregerad cellulär Origin–Destination-produkt (OD) med en grafbaserad inlärningsmodell. Med Telia CrowdInsights för Linköping, Sverige (timvisa OD-personresor, slutet av september–oktober 2022) och ett Sampers-härlett vägnät utvecklar vi en end-to-end-pipelinebestående av datapreparation, grafkonstruktion, modellträning och utvärdering.Kärnmodellen är en djupinlärningsmodell för OD-estimering med en stokastisktrafikfördelningskalibrering: standardiserade BPR-impedansfunktioner aggregerasper vägtyp och deras parametrar (α, β), tillsammans med en ruttvalskänslighet (μ),lärs under träning för att främja ett rimligt nätverksekvilibrium. Dessa parametraranvänds för kalibrering snarare än för direkt beteendetolkning.Resultaten visar trovärdig noggrannhet på länknivå (R² ≈ 0.76; MAPE ≈ 22%),medan överensstämmelsen på OD-parnivå med Telia-referensen är svagare, medfel koncentrerade till en vägtypsgrupp. Vi identifierar tre huvudorsaker: (i)nätverksaggregering som låter modellen fördela stadens efterfrågan på en förenkladgraf, (ii) geografisk avgränsning till kommunen som utelämnar gränsöverskridandeoch genomgående flöden, och (iii) frånvaro av information om färdmedel ochokänd fordonsbeläggning, vilket hindrar en direkt konvertering från personresor tillfordonsflöden. Ingen av dessa begränsningar undergräver datans användbarhet;snarare motiverar de riktade steg för bättre anpassning.Vi skisserar praktiska justeringar—att införa färdmedelsandelar och beläggningför att omvandla personresor till fordon, att utöka grafen med externa zoneroch snittmätningar samt att öka granulariteten i vägtyperna—som bör stärkaåterhämtningen av OD utan att offra prestanda på länknivå. Resultaten stödjer grafbaserad inlärning som en lovande grund för ÅDT-skattning med mobilnätsdata,förutsatt att dessa anpassningssteg införs
Latensbeaktande prediktiv säkerhetsindikator för smarta korsningar : Remote Evasive Trajectory Count (RETC)
No full textThis thesis introduces the Remote Evasive Trajectory Count (RETC), a predictive safety indicator designed for connected and automated vehicles (CAVs) approaching unsignalized, smart intersections. RETC estimates future risk by quantifying the share of evasive trajectories that would result in collisions when confronted with probabilistic forecasts of cross-trafficmotion. The method samples target-vehicle futures, evaluates ego trajectories (in Frenetcoordinates), and performs geometric intersection tests using the Separating Axis Theorem (SAT). End-to-end latency (“data age”) is modeled by inflating opponent bounding boxes according to worst-case displacement. Deceleration decisions are triggered when an inner threshold (per-trajectory collision probability) and an outer threshold (fraction of riskytrajectories) are exceeded. A case study of a downtown Stockholm intersection is simulated with thousands of pairwise interactions across realistic speed ranges. Sensitivity analyses show that higher outer thresholds monotonically suppress RETC activations, while higher inner thresholds also reduce activations but with a weaker influence. Throughput analysis using space-mean speed indicates that RETC can substantially reduce unnecessary slowdowns: v¯RETC = 6.56 m/s versus v¯no RETC = 4.24 m/s(≈ 54.7% improvement). Latency strongly degrades performance: with thresholds fixed at 0.7/0.7, the activation ratio rises from ∼ 15% at 0 s to > 70% at 5 s and saturates near ∼ 90% beyond 10 s, underscoring the need for bounded data age via appropriate edge–cloud resource provisioning. Overall, RETC offers a pragmatic, configurable mechanism to enable earlier, safer, and less conservative intersection approaches, with clear implications for infrastructure computing budgets and future integration of severity-aware risk metrics.Detta examensarbete introducerar Remote Evasive Trajectory Count (RETC), en prediktiv säkerhetsindikator för uppkopplade och automatiserade fordon (CAV) som närmar sig osignaliserade, smarta korsningar. RETC skattar framtida risk genom att kvantifiera andelen undvikande trajektorier som skulle leda till kollision givet probabilistiska prognoser för tvärtrafikens rörelse. Metoden sampelar målfordonets framtida tillstånd, utvärderar egotrajektorier (i Frenet-koordinater) och utför geometriska skärningstester med Separating Axis Theorem (SAT). Ända-till-ända-fördröjning (“dataålder”) modelleras genom att expandera mottrafikens begränsningsrutor enligt värsta-falls-förskjutning. Bromsbeslut triggas när både en inre tröskel (kollisionssannolikhet per trajektorie) och en yttre tröskel (andel riskablatrajektorier) överskrids. En fallstudie för en innerstadskorsning i Stockholm simuleras med tusentals parvisa interaktioner över realistiska hastighetsintervall. Känslighetsanalyser visar att högre yttretrösklar monotont dämpar RETC-aktiveringar, medan högre inre trösklar också minskar aktiveringar men med svagare effekt. Genomströmning, mätt som rumsmedelhastighet, indikerar att RETC kan reducera onödiga inbromsningar avsevärt: v¯RETC = 6.56 m/s jämfört med v¯no RETC= 4.24 m/s (≈ 54.7% förbättring). Latens försämrar prestanda markant: medtrösklar satta till 0.7/0.7 stiger aktiveringsgraden från ∼ 15% vid 0 s till > 70% vid 5 s och mättas nära ∼ 90% bortom 10 s. Detta understryker behovet av begränsad dataålder genom lämplig dimensionering av edge–moln-resurser. Sammantaget erbjuder RETC en pragmatisk och konfigurerbar mekanism för tidigare, säkrare och mindre konservativa infarter i korsningar, med tydliga implikationer för infrastrukturens beräkningsbudgetar och framtida integration av riskmått som beaktar skadeutfallens allvarlighetsgrad
Generative Deep Learning in Remote Sensing for Wildfire Monitoring
No full textWildfires present escalating global risks, intensified by climate change, demanding effective monitoring strategies. While satellite remote sensing is highly relevant for this task, it faces limitations related to sensor capabilities. High-resolution optical sensors like Sentinel-2 MultiSpectral Instrument (MSI) (10-20 m) provide detailed spatial information but have infrequent revisit times of around 5 days and cannot see through clouds or smoke. Conversely, moderate-resolution sensors like Terra/Aqua MODIS offer daily coverage but lack the necessary spatial detail (250-500 m) for detailed burned area mapping. Synthetic Aperture Radar (SAR) from sensors like Sentinel-1 SAR provides all-weather imaging but is affected by speckle noise and complex signal interactions, making interpretation difficult. This thesis explores how generative deep learning, specifically conditional Diffusion Models (DM), can help overcome these fundamental challenges in satellite-based wildfire monitoring by synthesizing analysis-ready, high-resolution information. These models have shown proficiency in learning complex data distributions and generating high-fidelity samples, making them suitable for data synthesis and translation tasks. The goal of this thesis is to generate high-resolution (≤30 m) optical representations of wildfires and to map burned areas, overcoming two different sensor limitations. This goal is pursued through two specific objectives. The first objective is to evaluate and develop a multi-task DM capable of fusing moderate-resolution, high-frequency optical data with high-resolution, lower-frequency optical data to generate daily, high-resolution representations of post-fire conditions, including both super-resolved imagery and burned area segmentation maps. The second objective is to design and assess a conditional DM for translating all-weather SAR data into optical-like imagery for post-fire scenes, with the goal of enabling accurate downstream burned area segmentation even when actual optical data is unavailable. To meet the first objective, a novel multi-task conditional diffusion architecture, FireSR-DDPM, was developed. It uses a U-Net structure within the Denoising Diffusion Probabilistic Model (DDPM) framework and is conditioned on post-fire MODIS imagery (Red, NIR, SWIR bands) and pre-fire Sentinel-2 MSI data. FireSR-DDPM generates both an eight-fold super-resolved post-fire image to near Sentinel-2 MSI-native resolution and a simultaneous burned area segmentation mask via parallel decoder paths from a shared encoder. The multi-task design allows synergistic learning, where spatial detail from super-resolution aids segmentation and semantic context from segmentation guides image generation. An additional feature of the architecture is a feature affinity loss term that explicitly promotes consistency between the internal representations learned by the two decoder branches, improving the effectiveness of the joint optimization for super-resolution and segmentation. Trained and validated using 1,079 Canadian wildfire events (≥ 2,000 ha, 2017-2022) with National Burned Area Composite (NBAC) polygons as reference, FireSR-DDPM showed substantial performance improvements on a 2023 hold-out test set. It achieved high segmentation accuracy (F1=0.8983, IoU=0.8153) and improved perceptual quality in super-resolution (LPIPS=0.1134), clearly surpassing baseline single-task and sequential methods. The model's ability to generate multiple outputs from the same input was also used to derive empirical confidence maps for the segmentation results without needing separate calibration. For the second objective, a computationally efficient transformer-based DM, Swin-U-DiT, was proposed for SAR-to-Optical translation. This architecture combines a hierarchical U-Net structure with recent developments in Transformers. These blocks integrate the efficiency of the Swin Transformer's windowed self-attention with the U-DiT concept of applying attention to spatially downsampled internal feature representations. This design considerably lowers the computational requirements of self-attention compared to standard Vision Transformer approaches while retaining strong performance. Conditioned via channel-wise concatenation on pre-fire Sentinel-1 SAR (VV, VH), post-fire Sentinel-1 SAR (VV, VH), and pre-fire Sentinel-2 MSI data, Swin-U-DiT learns to generate the corresponding post-fire Sentinel-2 MSI reflectance image. When evaluated on 335 Canadian fires from 2022, Swin-U-DiT produced images with significantly higher fidelity (Fréchet Inception Distance (FID=44.3, LPIPS=0.304) than a standard Pix2Pix GAN baseline. Importantly, the practical usefulness of the generated imagery was confirmed through downstream evaluation: using the Swin-U-DiT translated images as input to a fixed segmentation U-Net (pre-trained on real Sentinel-2 MSI data) notably improved burned area segmentation from F1=0.697 (using only SAR and pre-fire optical inputs) to 0.804. A key finding was the model's efficiency: this performance gain was achieved with only three DDIM sampling steps. This corresponds to a processing time of less than five minutes for a 250 km x 100 km scene on a single consumer-grade GPU (NVIDIA RTX 3080), confirming its suitability for near-real-time regional monitoring. In conclusion, both research objectives were successfully addressed. The novel contributions include: (i) the integration of 8x super-resolution and segmentation within a single generative multi-task DM (FireSR-DDPM); (ii) the design of an efficient SAR-to-Optical translation architecture (Swin-U-DiT) combining principles from Swin Transformer and U-DiT within a diffusion framework; and (iii) the demonstration that high downstream task performance can be achieved with very few diffusion sampling steps, improving practical feasibility. These methods represent advancements for operational wildfire monitoring. Future work includes extending model training to diverse global biomes, incorporating sequence modeling for analyzing fire progression dynamics, and exploring model distillation for further inference speed improvements.Skogsbränder utgör ett växande globalt problem, intensifierat av klimatförändringar,vilket kräver effektiva övervakningsstrategier. Även om satellitbaseradfjärranalys är högst relevant för denna uppgift, står den inför begränsningarrelaterade till sensorkapacitet. Högupplösta optiska sensorer somSentinel-2 MultiSpectral Instrument (MSI) (10–20 m) ger detaljerad spatialinformation men har långa återbesökstider på cirka 5 dagar och kan inte se genommoln eller rök. Omvänt erbjuder medelupplösta sensorer som Terra/AquaMODIS daglig täckning men dess upplösning (250–500 m) är för låg för detaljeradsegmentering av brända områden. Synthetic Aperture Radar (SAR)från sensorer som Sentinel-1 SAR producerar bilddata i alla väder men påverkasav speckle-brus och komplexa signalspridningsmekanismer, vilket görtolkningen svår. Denna avhandling undersöker hur generativ djupinlärning,specifikt conditional Diffusion Models (DM), kan hjälpa till att överbryggadessa grundläggande utmaningar inom satellitbaserad skogsbrandsövervakninggenom att syntetisera högupplöst information som är redo för analys.Dessa modeller har visat sig skickliga på att lära sig komplexa datadistributioneroch generera högkvalitativa datapunkter, vilket gör dem lämpliga försyntes och bildöversättning. Målet med denna avhandling är att generera högupplösta (≤ 30 m) optiskarepresentationer av skogsbränder och att kartlägga brända områden,övervinna två olika sensorbegränsningar. Detta mål eftersträvas genom tvåspecifika mål. Det första målet är att utvärdera och utveckla en multi-taskDM som kan sammansmälta måttlig upplösning, högfrekvent optisk data medhögupplöst, lägre frekvens optisk data för att generera dagliga, högupplöstarepresentationer av förhållanden efter brand, inklusive både uppskalade bilderoch brända områdessegmenteringskartor. Det andra målet är att designaoch bedöma en DM för att översätta SAR-data till optiskt liknande bilder förscener efter brand, med målet att möjliggöra exakt nedströms segmenteringav brända områden även när optiska data inte är tillgängliga. För att uppnå det första delmålet utvecklades en ny Multi-task LearningDM, FireSR-DDPM. Den använder en U-Net-struktur inom ramverketför Denoising Diffusion Probabilistic Models (DDPM) och är betingad påMODIS-bilder efter brand (röda, NIR-, SWIR-band) och Sentinel-2 MSI-dataföre brand. FireSR-DDPM genererar både en åttafaldigt uppskalad bild efterbrand till nära Sentinel-2 MSI:s ursprungliga upplösning och en samtidig segmenteringsmaskför brända områden via parallella decoders från en gemensamencoder. Multi-task learning möjliggör synergistisk inlärning, där spatiala detaljerfrån uppskalning hjälper segmentering och semantisk kontext från segmenteringvägleder bildgenerering. En ytterligare egenskap hos arkitekturenär en Feature Affinity loss, som explicit främjar konsekventa representationermellan decoders, vilket förbättrar effektiviteten hos den gemensammaoptimeringen för uppskalningen och segmenteringen. Tränad och valideradmed data från 1 079 kanadensiska skogsbränder (≥ 2 000 ha, 2017–2022) medNational Burned Area Composite (NBAC)-polygoner som referens, visadeFireSR-DDPM prestandaförbättringar på testdata från 2023. Den uppnåddehög segmenteringsnoggrannhet (F1 = 0.8983, IoU = 0.8153) och förbättradviperceptuell kvalitet i uppskalning (LPIPS = 0.1134), och överträffade tydligtjämförelsemetoder med single-task learning eller sekventiella metoder. Modellensförmåga att generera flera utdata från samma indata användes också föratt härleda empiriska konfidenskartor för segmenteringsresultaten utan behovav separat kalibrering. För det andra delmålet föreslogs en beräkningseffektiv transformer-baseradDM, Swin-U-DiT, för SAR-till-optisk översättning. Denna arkitektur kombineraren hierarkisk U-Net-struktur, kapabel till att fånga kontext i flera skalor,med innovativa bearbetningsblock. Dessa block integrerar effektiviteten hosSwin Transformerns fönsterbaserade self-attention med U-DiT-konceptet atttillämpa self-attention på spatialt nedsamplade interna representationer. Dennadesign minskar avsevärt beräkningskraven för self-attention jämfört medstandardmetoder baserade på Vision Transformer, samtidigt som den bibehållerstark prestanda. Betingad via kanalvis sammanlänkning på Sentinel-1 SARföre brand (VV, VH), Sentinel-1 SAR efter brand (VV, VH) och Sentinel-2MSI-data före brand, lär sig Swin-U-DiT att generera motsvarande Sentinel-2MSI-reflektansbild efter brand. Vid utvärdering på 335 kanadensiska bränderfrån 2022 producerade Swin-U-DiT bilder med signifikant högre fidelitet(Fréchet Inception Distance FID = 44.3, LPIPS = 0.304) än en standardPix2Pix GAN-metod. Viktigt är att det praktiska värdet av de genereradebilderna bekräftades genom utvärdering av följande: att använda de Swin-UDiT-översatta bilderna som indata till en fast segmenterings-U-Net (tränad påverkliga MSI-data) förbättrade segmenteringen av brända områden avsevärtfrån F1 = 0.697 (med endast SAR och optiska data före brand) till 0.804. Ettviktigt resultat var modellens effektivitet: denna prestandaökning uppnåddesmed endast tre DDIM-samplingssteg. Detta motsvarar en bearbetningstid påmindre än fem minuter för en 250km × 100km scen på en enda GPU (NVIDIARTX 3080), vilket bekräftar dess lämplighet för regional övervakning inära realtid. Sammanfattningsvis uppnåddes båda forskningsmålen framgångsrikt. Denya bidragen inkluderar: (i) integrationen av 8× superupplösning och segmenteringinom en enda generativ multiuppgifts-DM (FireSR-DDPM); (ii)designen av en effektiv SAR-till-optisk-översättningsarkitektur (Swin-U-DiT)som kombinerar principer från Swin Transformer och U-DiT inom ett diffusionsramverk;och (iii) demonstrationen att hög prestanda på efterföljandeuppgifter kan uppnås med mycket få diffusionssamplingssteg, vilket förbättrarden praktiska genomförbarheten. Dessa metoder representerar framstegför operativ skogsbrandsövervakning. Framtida arbete inkluderar att utökamodellträningen till olika globala biom, införliva sekvensmodellering för attanalysera brandförloppsdynamik, och utforska modelldestillering för ytterligareförbättringar av inferenshastigheten.QC 20250522</p
Underwater Quantum Magnetometer Array Aid Inertial Navigation - Feasibility and Challenges : Technical report from the Vinnova ENOK project 2024-03194
No full textCurrent autonomous underwater vehicles generally use multibeam sonars and Doppler velocity logs to aid their inertial navigation systems. While effective, these active acoustic systems can reveal the presence of a vehicle, making them unsuitable for covert operations. This report presents the key findings from a research project investigating the feasibility of using a quantum magnetometer array as a substitute or complement to active sonar sensors in autonomous underwater vehicles. Field and sea trials demonstrate that the magnetic field near the Earth’s surface exhibits significant spatial variations, enabling speed estimation and absolute positioning using quantum magnetometer arrays. Theoretical analysis shows that temporal variations in the Earth’s magnetic field, rather than sensor noise, set the fundamental performance limit for estimating vehicle speed using a magnetometer sensor array. However, if a continuous forward communication link with a rate of ∼ 10 bits/s is available, the temporal variation can, to a large extent, be removed by transmission of correction data. Temporal variations also make map-matching-based positioning challenging. But by estimating the magnetic-field gradient using a magnetometer array, temporal variations can be effectively canceled, making gradient-based magnetic-field map-matching a promising approach. Further work is needed to quantify the effects of platform-induced disturbances and map imperfections. QC 20251105</p
Utforskar möjligheter för kodverifiering med Dafny med hjälp av stora språkmodeller : En feedback driven pipeline för LLM-assisted Dafny-verifiering
No full textLarge Language Models (LLMs) are increasingly applied to code generation, but ensuring that LLM-generated code meets formal verification standards remains an open challenge. In particular, code produced by current LLM techniques for languages like Dafny often fails to verify, undermining its usefulness in critical software domains. This thesis presents a novel approach to bridging this gap via a feedback-driven training pipeline that integrates the Dafny verifier into the model’s learning process. By leveraging the verifier’s output as guidance, the LLM iteratively learns from verification failures, acquiring the ability to produce code that satisfies formal correctness criteria. We gathered all available Dafny codes, cleaned them, and formed a new custom dataset, consisting of 1629 invariant and 256 assert line-removed data. This had been fed into our model via training data and additional context alongside the debugging traces. On a test set constructed by removing one assertion or invariant from previously verified programs, the model achieved 49% on verify@1 and 68.31% on verify@5, restoring the missing annotation so that the program got re-verified.Stora språkmodeller (LLM) används i allt större utsträckning för kodgenerering, men att säkerställa att LLM-genererad kod uppfyller formella verifieringsstandarder är fortfarande en öppen utmaning. I synnerhet misslyckas kod som produceras med nuvarande LLM-tekniker för språk som Dafny ofta med att verifiera, vilket undergräver dess användbarhet inom kritiska programvarudomäner. Denna avhandling presenterar en ny metod för att överbrygga detta gap via en feedbackdriven träningspipeline som integrerar Dafny-verifieraren i modellens inlärningsprocess. Genom att utnyttja verifierarens utdata som vägledning lär sig LLM iterativt från verifieringsfel och förvärvar förmågan att producera kod som uppfyller formella korrekthetskriterier. Vi samlade all tillgänglig Dafny-kod, rensade den och bildade en ny anpassad datauppsättning, bestående av 1629 invarianta och 256 assert-radborttagna data. Detta hade matats in i vår modell via träningsdata och ytterligare kontext utöver felsökningsspåren. På en testuppsättning konstruerad genom att ta bort ett påstående eller en invariant från tidigare verifierade program, uppnådde modellen 49% på verify@1 och 68,31% på verify@5, vilket återställde den saknade annoteringen så att programmet verifierades på nytt
Enmätnings Auto-Segmenterande Sidokanalsbaserad Instruktionsavkodning
No full textSide‑channel analysis (SCA) has long been a cornerstone of cryptographic security research, enabling attackers to extract sensitive information by monitoring a device’s power consumption or electromagnetic (EM) emissions. This foundation has led researchers to explore side‑channel based disassembly (SCBD), which aims to reconstruct a program’s instruction sequence directly from side-channel traces. However, practically viable solutions remain elusive due to the trace segmentation bottleneck: existing techniques either rely on averaged traces, classify only isolated instructions, or require custom, devicespecific logic to segment continuous traces. This segmentation challenge has been extensively studied in automatic speech recognition (ASR), where segmenting continuous audio streams into discrete phonemes or words is critical. Despite striking similarities between SCA and ASR challenges, cross-domain approaches remain unexplored in SCBD. We investigate whether modern ASR models can be adapted to solve the segmentation problem in SCBD. We developed a comprehensive experimental framework using a custom RISC‑V (RV) instruction sequence generator (ISG) and implemented a RV32 softcore on a field‑programmable gate array (FPGA) to generate training data. We adapted the wav2vec 2.0 architecture, pretraining on unlabeled power trace data followed by fine-tuning with connectionist temporal classification (CTC) loss on labeled instruction sequences. This approach automatically handles segmentation while learning instruction-specific power signatures. Our method achieved an accuracy of 76.61% for sequences containing five different RV32I instructions, with segmentation error rates (SERs) as low as 6.86%. These results demonstrate that ASR models can effectively solve the temporal alignment challenge in SCBD, with remaining errors concentrated in instruction discrimination rather than segmentation. Statistical validation confirms significant improvements over baseline approaches (p < 0.001). Our findings establish ASR as a viable foundation for SCBD and demonstrate the potential of cross-domain approaches for practical disassembly techniques.Sidokanalsanalys (SCA) har länge varit en hörnsten inom kryptografisk säkerhetsforskning, och möjliggör för angripare att extrahera känslig information genom att övervaka en enhets strömförbrukning eller elektromagnetiska (EM) läckage. Denna grund har lett forskare att utforska sidokanalbaserad instruktionsavkodning (SCBD), som syftar till att rekonstruera ett programs instruktionssekvens direkt från sidokanalsmätningar. Dock förblir praktiskt användbara lösningar orealistiska på grund av flaskhalsen för mätningssegmentering: befintliga tekniker förlitar sig antingen på medelvärdesbildning, klassificerar endast isolerade instruktioner, eller kräver anpassad, enhetsspecifik logik för att segmentera kontinuerliga mätningar. Denna segmenteringsutmaning har studerats utförligt inom automatisk taligenkänning (ASR), där segmentering av kontinuerliga ljudströmmar till diskreta fonem eller ord är kritisk. Trots slående likheter i problembeskrivningen för SCA och ASR har ansatser från taligenkänningsområdet förblivit outforskade inom SCBD. Vi undersöker huruvida moderna ASR-modeller kan anpassas för att lösa segmenteringsproblemet inom SCBD. Vi har utvecklat ett omfattande experimentellt ramverk med hjälp av en anpassad RISC-V (RV) instruktionssekvensgenererare (ISG) och implementerade en RV32 softcore på en fältprogrammerbar grindmatris (FPGA) för att generera träningsdata. Vi anpassade wav2vec 2.0-arkitekturen, förtränade på omärkta strömspårsdata följt av finjustering med konnektionistisk temporal klassificering (CTC)-förlust på märkta instruktionssekvenser. Denna ansats hanterar automatiskt segmentering samtidigt som den lär sig instruktionsspecifika strömsignaturer. Vår metod uppnådde en noggrannhet på 76.61% för sekvenser innehållande fem olika RV32I-instruktioner, med segmenteringsfelsfrekvenser (SER) så låga som 6,86%. Dessa resultat visar att ASR-modeller effektivt kan lösa den temporala anpassningsutmaningen inom SCBD, med kvarvarande fel koncentrerade till instruktionsdiskriminering snarare än segmentering. Statistisk validering bekräftar betydande förbättringar jämfört med en naiv jämförelsemetod (p < 0, 001). Våra fynd etablerar ASR som en möjlig utgångspunkt för SCBD och demonstrerar potentialen av att dra lärdom från andra domäner för att göra framsteg inom metoder för instruktionsavkodning
Microstructure Evolution of Steel during Plane Strain Compression in the Two-phase Region
No full textSteel is a crucial engineering material with a very high contribution to CO2 emissions. Enhancing steel’s mechanical performance to reduce emissions while minimizing environmental impact is vital for sustainable development. This study investigates the microstructural evolution and dynamic restoration mechanisms, dynamic recovery and dynamic recrystallization in two steels, S10C and S35C, under thermomechanical processing. Plane strain compression tests were conducted in ferritic and two-phase phase regions at varying strain rates to simulate industrial hot rolling conditions. Microstructural characteristics such as grain size, grain boundary misorientation, and texture were examined using Electron Backscatter Diffraction. The results compare the different experimental conditions from a mechanical view with flow stress and strain, as well as from microstructure observations. For both steels, it was found that increasing the austenite content will increase the content of recrystallized grains. This increase was also observed for an increased strain rate.Se file
Rätt Röst för Rätt Uppgift : Utvärdering av Konverserande AI för Industriell Utbildning
No full textAs industries increasingly adopt predictive maintenance (PdM) strategies under Industry 4.0 and 5.0 frameworks, there is a growing need for user-centered technologies that support industrial training. Conversational AI (CAI) has proven effective in educational settings, however its potential in industrial settings, where higher precision and reliability are required, remains underexplored. This thesis explores the potential of conversational AI (CAI), particularly voice-driven digital intelligent assistants (DIAs), in supporting industrial training in a pharmaceutical context. Specifically, this study investigates how two design dimensions– AI persona (Expert Operator vs. Machine) and voice embodiment (Diegetic vs. Disembodied) -—affect usability, cognitive load, trust, and task performance during manual operation. A functional prototype using the OpenAI RealTime API was developed, and evaluated through a 2 × 2 within-subjects user study with nine domain-relevant participants: both novices and expert operators. Based on self-reported data from structured questionnaires and semi-structured interviews, results indicate no single optimal DIA configuration for all users or contexts. The Expert Operator persona was generally preferred for trust and engagement, while the Machine persona provided clearer instructions for some users. Diegetic voices were perceived as more intuitive, but disembodied voices improved focus and privacy. These findings highlight the need for flexible, user-adaptive CAI designs that accommodate individual preferences and experience levels. This study offers initial insights into the user-centric design of such systems and proposes guidelines for persona and embodiment design that support the autonomy of the trainees.När industrin i allt större utsträckning antar prediktivt underhåll (PdM) under ramen för Industri 4.0 och 5.0 ökar behovet av användarcentrerade teknologier som stödjer industriell utbildning. Konversationell AI (CAI) har visat sig effektiv inom utbildningsmiljöer, men dess potential inom industriella sammanhang, där högre precision och tillförlitlighet krävs, är fortfarande dåligt utforskad. Denna avhandling undersöker potentialen hos konversationell AI (CAI), särskilt röststyrda digitala intelligenta assistenter (DIA), för att stödja industriell utbildning inom en farmaceutisk kontext. Specifikt studeras hur två designaspekter – AI-persona (Expertoperatör vs. Maskin) och röstförkroppsligande (Diegetisk vs. Odiegetisk) – påverkar användbarhet, kognitiv belastning, förtroende och uppgiftsprestation vid manuell drift. En fungerande prototyp byggd med OpenAI RealTime API utvecklades och utvärderades genom en 2 × 2 inompersonsstudie med nio deltagare med relevant domänkunskap: både nybörjare och expertoperatörer. Baserat på självrapporterade data från strukturerade enkäter och semi-strukturerade intervjuer visar resultaten att det inte finns någon enskild optimal DIA-konfiguration för alla användare eller sammanhang. Expertoperatörs-personan föredrogs generellt för förtroende och engagemang, medan Maskin-personan gav tydligare instruktioner för vissa användare. Diegetiska röster uppfattades som mer intuitiva, men odiegetiska röster förbättrade fokus och integritet. Dessa fynd understryker behovet av flexibla, användaranpassade CAI-designs som tar hänsyn till individuella preferenser och erfarenhetsnivåer. Studien erbjuder initiala insikter i användarcentrerad design av sådana system och föreslår riktlinjer för persona- och förkroppsligandedesign som stödjer traineers självständighet
Att leva och överleva i rymden – autentiskt, ämnesöverskridande lärande i kemi och biologi
No full textAtt leva och överleva i rymden – autentiskt, ämnesöverskridande lärande i kemi och biologiAutentiskt lärande skapar möjligheter för elever att arbeta med komplexa och verklighetsnära samhällsutmaningar. Detta är särskilt relevant vid undervisning om så kallade wicked problems – frågor som klimatförändringar, hållbar utveckling och global ojämlikhet – som saknar enkla lösningar och kräver tvärvetenskapliga angreppssätt (Rittel & Webber, 1973; Cross & Congreve, 2020). I detta projekt undersöker vi hur ett ämnesöverskridande undervisningsmoment i kemi 2 och biologi 2 kan stärka elevers ämnesförståelse och engagemang. Projektet inspirerades av ESERO:s Mooncamp Mission, som genomfördes i Ludvika kommun under läsåret 2024–2025 (Samarkand, 2025). Med utgångspunkt i detta utformade vi ett projekt där gymnasieelever arbetade med frågeställningen: Hur kan människor leva och äta hållbart i en rymdstation? Eleverna arbetade i grupper med att undersöka hållbar livsmedelsproduktion, näringslära och människans fysiologi i rymdmiljö. De kombinerade teoretiska studier med praktiska moment som laborationer, informationssökning och muntliga presentationer. Målet var att koppla vetenskaplig kunskap till konkreta lösningar på komplexa problem. Resultaten visar att eleverna fördjupade sina kunskaper i biologi och kemi, särskilt inom områden som metabolism, fotosyntes och näringsupptag. De utvecklade även förmågan att resonera kring vetenskapliga frågeställningar i nya sammanhang. Samtidigt upplevde många elever utmaningar, exempelvis att tolka vetenskapliga texter, arbeta självständigt och hålla motivationen uppe under projektets gång. Som lärare mötte vi hinder relaterade till tid, resurser och elevernas varierande förkunskaper. Våra höga ambitioner var inte alltid förenliga med de praktiska ramarna. Projektet visade också på behovet av kollegialt samarbete och pedagogiskt stöd vid ämnesövergripande undervisning. Vi drar slutsatsen att autentiska, tvärvetenskapliga undervisningsprojekt kan bidra till djupare ämnesförståelse och ökat engagemang hos eleverna. För fortsatt utveckling ser vi ett stort värde i samarbete mellan lärare och med externa aktörer som ESERO.QC 20251107</p
Användning av sentimentanalys för att analysera ändringarna av allmänhetens uppfattning om politiska händelser
No full textSentiment analysis is a valuable tool for understanding and evaluating the tone and content of documents, articles and text. It can be used in conjunction with social media, to explore how public opinion can change over time, with a focus on political events. In this thesis, sentiment analysis together with clustering has been used to gain insight into that subject, using the 2024 Romanian presidential election as a relevant case study. By tracking changes in people´s perceptions of events over time, the effect social media can have on political events is analyzed in more detail. To achieve this, two sentiment analysis models were developed using the BERT and FastText libraries, and these models were trained to support both Romanian and English. After sentiment analysis, clustering was performed to further divide the results into distinct topics. This was achieved by using the spectral clustering method together with K-means. With a total of 8 494 tweets collected from the social media platform X before and after the first round of the election, a distinct negative shift could be observed, indicating a general dissatisfaction and a shift of the discussion regarding the election. Sentiment analysis was successfully performed, resulting in observable changes between before and after the election. Clustering helped provide more precise insight into which topics the changes in sentiment occurred. However, due to limited data before the election, especially in English, only the Romanian tweets could be clustered and the reliability is difficult to confirm. Further work is needed to be able to draw more general statements about political events, including collecting more data from various social media platforms and increasing the number of case studies to see if similar patterns can be observed.Sentimentanalys är ett viktigt verktyg för att förstå och utvärdera ton och innehåll i dokument, artiklar och texter. Det kan användas tillsammans med sociala medier för att undersöka hur den allmänna uppfattningen kan förändras över tid, med fokus på politiska händelser. I detta arbete har sentimentanalys tillsammans med klusteranalys använts för att få insikt i detta ämne, med det rumänska presidentvalet 2024 som en relevant fallstudie. Genom att spåra förändringar i människors uppfattning om händelser över tid, analyseras den påverkan som sociala medier kan ha på politiska händelser i mer detalj. För att uppnå detta utvecklades två sentimentanalysmodeller med hjälp av biblioteken BERT och FastText, och dessa modeller tränades för att stödja både rumänska och engelska. Efter sentimentanalysen utfördes klusteranalys för att ytterligare dela upp resultaten i distinkta ämnen. Detta uppnåddes genom att använda spectral clustering i kombination med K-means. Med totalt 8 494 tweets insamlade från den social media plattformen X före och efter den första valomgången, var det möjligt att observera en tydlig negativt ändring, vilket indikerar en allmän missnöjdhet och förändring i diskussionen kring valet. Sentimentanalysen genomfördes framgångsrikt och resulterade i observerbara förändringar mellan före och efter valet. Klusteranalysen hjälpte till att ge en mer precis insikt i vilka ämnen förändringarna i sentimentet skede. Dock, på grund av begränsad data före valet, särskilt på engelska, kunde endast de rumänska tweetsen grupperas, vilket gör att tillförlitligheten är svår att bekräfta. Ytterligare arbete krävs för att kunna dra mer generella slutsatser om politiska händelser, vilket inkluderar bland annat att samla in mer data från olika sociala medieplattformar och att öka antalet fallstudier, för att se om det går att observera liknande mönster