Publikationer från KTH
Not a member yet
57933 research outputs found
Sort by
Uppdrag: Inkorg Möjlig – AI-driven Emailkategorisering för Effektivitet och Stressreducering : En jämförande analys av avancerad teknik och dess inverkan på personlig informationshantering
No full textThis thesis investigates the impact of foldered email interfaces on user productivity and stress levels compared to the traditional all-in-one inbox design. Despite being a cornerstone of digital communication, the standard email interface has seen limited evolution, often failing to support efficient email management. To evaluate the benefits of a folder-based approach, a comparative usability study was conducted in which participants completed email-related tasks using two interfaces: one resembling automatic foldering and another resembling a standard unified inbox. Metrics such as task completion time, accuracy, and perceived stress were measured through usability testing. Results showed that the foldered interface improved task efficiency by 30% and increased accuracy by 10%. Furthermore, users reported lower stress levels and a more positive overall experience when using the organized, structured interface. These findings imply that a foldering-focused redesign of email systems has the potential to enhance usability and user satisfaction.I denna rapport undersöks hur emailgränssnitt baserade på mappar påverkar användarens produktivitet och stressnivåer jämfört med det traditionella allt-i-ett-inkorgsgränssnittet. Trots att email är ett av de mest dominerande verktygen för digital kommunikation har det standardiserade gränssnittet genomgått få förändringar och erbjuder begränsat stöd för effektiv hantering. För att utvärdera fördelarna med en mapplösning genomfördes en jämförande användbarhetsstudie där deltagare utförde emailrelaterade uppgifter i två gränssnitt: ett som efterliknar automatisk mappindelning och ett med en klassisk enhetlig inkorg. Uppgifterna mättes utifrån tid, noggrannhet och upplevd stress, baserat på användartester. Resultaten visade att gränssnittet med mappar förbättrade tidseffektiviteten med 30% och ökade noggrannheten med 10%. Dessutom rapporterade användarna lägre stressnivåer och en mer positiv användarupplevelse med det strukturerade gränssnittet. Slutsatsen är att en omdesign av emailsystem med fokus på mappstruktur kan ha potential att förbättra både användbarhet och användartillfredsställelse
Kodgenerering från Amalthea till Linux och FreeRTOS på Heterogena Mixed-Criticality System-on-Chips (HeMCSoCs)
No full textModern automotive and cyber-physical systems are increasingly required to execute a wide range of tasks with varying levels of criticality, including advanced driver assistance, real-time control, and onboard artificial intelligence. These demands require heterogeneous platforms to provide strong isolation, predictable timing behavior, and fault containment. The Carfield platform, based on the open RISC-V instruction set architecture, addresses this by partitioning execution across specialized domains for safety, security, general-purpose processing, and hardware acceleration. Despite these capabilities, developing and deploying mixed-criticality applications on such systems remains complex, due to challenges in coordinating software across different operating systems and managing access to shared hardware resources. This thesis explores the application of Model-Based Design (MBD) using the Amalthea modeling framework to simplify software development for the Carfield platform. The work includes replicating the Carfield setup and extending its toolchain with an automated code generation framework. A model-based design flow is proposed, allowing Amalthea models to specify functional and non-functional system properties, which are then translated into template code targeting Linux and FreeRTOS operating systems. The generated code supports real-time task offloading and configuration of hardware mechanisms such as reservation-based AXI interconnects. Experimental validation confirms that functional and non-functional properties configured in the Amalthea model are correctly translated into the template code, and the system behaves as expected.Moderna fordons och cyberfysiska system krävs i allt högre grad för att utföra ett brett spektrum av uppgifter med varierande nivåer av kritikalitet, inklusive avancerad förarassistans, realtidskontroll och inbyggd artificiell intelligens. Dessa krav kräver heterogena plattformar för att ge stark isolering, förutsägbart tidsbeteende och felhantering. Carfield-plattformen, baserad på den öppna RISC-V-instruktionsuppsättningsarkitekturen, adresserar detta genom att partitionera exekveringen över specialiserade domäner för säkerhet, allmän bearbetning och hårdvaruacceleration. Trots dessa funktioner är utveckling och driftsättning av applikationer med blandad kritikalitet på sådana system fortfarande komplext, på grund av utmaningar med att koordinera programvara mellan olika operativsystem och hantera åtkomst till delade hårdvaruresurser. Denna avhandling utforskar tillämpningen av modelldriven teknik (MDE) med hjälp av Amalthea-modelleringsramverket för att förenkla mjukvaruutveckling för Carfield-plattformen. Arbetet inkluderar att replikera Carfield-installationen och utöka dess verktygskedja med ett automatiserat kodgenereringsramverk. Ett modellbaserat designflöde föreslås, vilket gör det möjligt för Amalthea-modeller att specificera funktionella och icke-funktionella systemegenskaper, vilka sedan översätts till mallkod riktad mot Linux- och FreeRTOS-operativsystem. Den genererade koden stöder realtidsavlastning av uppgifter och konfiguration av hårdvarumekanismer såsom reservationsbaserade AXI-sammankopplingar. Experimentell validering bekräftar att funktionella och icke-funktionella egenskaper som konfigurerats i Amalthea-modellen är korrekt översatta till mallkoden, och att systemet beter sig som förväntat
Standardisering av Namngivningssystem För Lagringsplatser : En Fallstudie om Design, Implementering och Upprätthållande i Decentraliserad Tillverkning
No full textThis master’s thesis explores the design, implementation, and sustainment of a standardized storage location naming system within a decentralized manufacturing context. The study is conducted as an in-depth qualitative case study at a Swedish manufacturing company facing operational inefficiencies due to inconsistent and fragmented naming conventions across multiple production facilities. Drawing on literature in operations management, standardization, and change management, the study combines empirical data from semi-structured interviews, observations, and internal documentation. A thematic analysis approach was applied to identify key challenges, stakeholder needs, and potential strategies for standardization. Findings indicate that a standardized naming system can improve internal logistics, support ERP system accuracy, and enhance collaboration between facilities. However, implementation is constrained by technical limitations, legacy systems, and organizational culture. The study emphasizes the importance of process ownership, stakeholder involvement, and a stepwise implementation strategy to ensure long-term sustainment. Contributions include a framework for designing, implementing, and sustaining standardized location naming systems in decentralized manufacturing contexts, along with practical insights for managing operational change in growing industrial organizations.Detta examensarbete undersöker utformning, implementering och långsiktig upprätthållning av ett standardiserat namngivningssystem för lagringsplatser inom en decentraliserad tillverkningskontext. Studien genomförs som en kvalitativ fallstudie vid ett svenskt tillverkningsföretag som uppvisar operativa ineffektiviteter till följd av inkonsekventa och fragmenterade namngivningsprinciper mellan flera produktionsanläggningar. Med stöd i litteratur inom operations management, standardisering och förändringsledning kombinerar studien empiriska data från semistrukturerade intervjuer, observationer och intern dokumentation. En tematisk analysmetod tillämpades för att identifiera centrala utmaningar, behov hos intressenter samt möjliga strategier för standardisering. Resultaten visar att ett standardiseratsystem för lagringsplatser kan förbättra intern logistik, stärka datakvaliteten i ERP-systemet och främja samarbete mellan fabriker. Implementeringen begränsas dock av tekniska begränsningar, äldre system och organisatoriska kulturer. Studien lyfter fram vikten av tydligt processägarskap, aktiv involvering av intressenter samt en stegvis implementeringsstrategi för att uppnå långsiktig hållbarhet. Arbetet bidrar med ett ramverk för att utforma, implementera och säkerställa långsiktig användning av standardiserade namngivningssystem i decentraliserade tillverkningsmiljöer, samt ger praktiska insikter i hur operativa förändringar kan hanteras i växande industriföretag.
Jämförelse av prestandan hos traditionella maskininlärningsmodeller och djupinlärningsmodeller i realtidsklassificering inom hjärn-datorgränssnitt
No full textBrain-Computer Interfaces (BCIs) are systems that enable direct communication between the human brain and external devices, offering promising applications for individuals with motor impairments. To function effectively, these systems must be able to translate brain signals, such as those captured by electroencephalography (EEG), into reliable commands in real-time. This requires classification models that balance high predictive accuracy with low computational overhead. This study compares the performance of traditional machine learning models and deep learning models for real-time EEG classification in BCI systems. Two models from each category were implemented: shrinkage Linear Discriminant Analysis (sLDA) and Riemannian Minimum Distance to Mean (RMDM) as traditional models, and EEGNet and ShallowConvNet as deep learning models. All models were trained and evaluated on a public motor imagery dataset from BCI Competition IV in offline and simulated online conditions. Performance was assessed using accuracy, precision, recall, F1-score, and processing time. The results show that both model categories perform similarly across the performance metrics. Importantly, a substantial difference is observed in processing time: traditional models, especially sLDA, perform up to 250 times faster than deep learning models. These findings suggest that while deep learning models perform competitively in controlled settings, traditional models currently provide a more practical and efficient solution for real-time BCI applications.Hjärn-datorgränssnitt eller BCI (från engelska Brain-Computer Interfaces) är system som möjliggör direktkommunikation mellan den mänskliga hjärnan och digitala enheter, med lovande tillämpningar för personer med motoriska funktionsnedsättningar. För att fungera effektivt behöver dessa system kunna översätta hjärnsignaler, såsom de som inhämtats med elektroencefalografi (EEG), till tillförlitliga kommandon i realtid. Detta kräver klassificeringsmodeller som balanserar hög träffsäkerhet med låg beräkningskostnad. Denna studie jämför prestandan hos traditionella maskininlärningsmodeller och djupinlärningsmodeller för realtidsklassificering av EEG-signaler i BCI-system. Två modeller från varje kategori implementerades: De traditionella modellerna shrinkage Linear Discriminant Analysis (sLDA) och Riemannian Minimum Distance to Mean (RMDM), samt djupinlärningsmodellerna EEGNet och ShallowConvNet. Alla modeller tränades och utvärderades på ett publikt motor imagery-dataset från BCI Competition IV, både i offline- och simulerade online-förhållanden. Prestandan utvärderades utifrån träffsäkerhet (accuracy), precision, träffrekvens (recall), F1-värde (F1-score) och beräkningstid. Resultaten visar att båda modellkategorierna presterar likvärdigt. Mest anmärkningsvärt är den stora skillnaden i beräkningstid. De traditionella modellerna presterar avsevärt snabbare, där sLDA i synnerhet presterar upp till 250 gånger snabbare än djupinlärningsmodellerna. Dessa resultat tyder på att även om djupinlärningsmodeller presterar bra i kontrollerade miljöer, erbjuder traditionella modeller för närvarande en mer praktisk och effektiv lösning för realtidsapplikationer inom BCI
Establishing an external validity of virtual environments in a micro-mobility context
No full textThis study aimed to provide a multiangled comparison of the impact of real and virtual setups on the behaviour and perception of electric scooter (e-scooter) riding to examine the external validity of the virtual environments in the micro-mobility context. For this purpose, a within-subject design experiment was conducted to collect data on the behaviour of e-scooter riders. Furthermore, self-reported data on mental and physical demand as well as physiological data in the form of heart rate measurements and electroencephalography (EEG) were recorded to provide an additional insight into the behavioural results. The analysis was based on the multinomial logit model (MNL) for the behavioural data, ordered logit models for self-reported measures. Parametric and non-parametric tests were performed to capture the differences in physiological data. The results of the behavioural data showed significant differences in braking and acceleration patterns between virtual and real scenarios, which undermined the external validity of virtual environments in the current context. Further, self-reported measures painted a mixed picture when looked at jointly with biometric measures, where the questionnaires indicated that both setups were indifferent with respect to mental demand, while the physiological data suggested that virtual scenarios were more mentally engaging for the e-scooter riders.This work is supported by the Austrian FFG Endowed Professor DAVeMoS project(project number 862678).QC 20250805</p
Per-agent skilda nivåer av kunskap i fler-agent spel med ofullständig information
No full textWe study multi-agent games with imperfect information. The MAGIIAN framework (Multi-Agent Games with Imperfect Information Against Nature) is used to formally define these. Strategies that emerge from higher-order knowledge of agents has been studied in these games, but only with uniform knowledge levels. We investigate whether the MAGIIAN can be extended in order to support per-agent varying knowledge levels, and if winning strategies can still be synthesized when the total knowledge-level is reduced. To achieve this, we modified how the agents update their knowledge, in order to account for their set level of reasoning. A simulation was then used to generate the graph of all knowledge states. We analyzed such knowledge graphs using an adapted strategy synthesis algorithm to determine whether surely winning strategies could be found. Our results show that the MAGIIAN framework can be adapted to account for agents having varying levels of knowledge. Through two benchmark games, we find that surely-winning strategies can still be synthesized under these conditions, with less knowledge than a successful uniform knowledge strategy. While the results suggest a potential to reduce the total knowledge required, the conclusions are based on a limited set of benchmark games with limited complexity and a knowledge level capped at 2. Further research is needed to investigate whether these results apply to more complex systems.Vi studerar multi-agent spel med ofullständig information. MAGIIAN-ramverket (Fler-Agent Spel med Ofullständig Information Mot Naturen) används för att formellt definiera dessa. Strategier som framkommer från agenter med högre-ordningens kunskap har studerats i dessa typer av spel, men endast med uniforma kunskapsnivåer. Vi undersöker om MAGIIAN-ramverket kan utvecklas för att stödja per-agent varierande kunskap, och om vinnande strategier fortfarande kan syntetiseras när den totala kunskapsnivån är minskad. För att uppnå detta har vi modifierat hur agenter uppdaterar sin kunskap, där de nu tar hänsyn till sin egen satta kunskapsnivå. En simulation användes sedan för att generera en graf innehållande alla kunskapstillstånd. Vi analyserade sedan grafen med en justerad strategisyntes-algoritm för att bestämma om definitivt vinnande strategier kunde hittas. Våra resultat visar att MAGIIAN-ramverket kan utvecklas för att ta hänsyn till agenter med olika kunskapsnivåer. Genom två benchmarking-spel fann vi att definitivt vinnande strategier fortfarande kunde syntetiseras under det utvecklade MAGIIAN-ramverket med lägre total kunskap än vinnande uniforma strategier. Medan resultatet föreslår en potential till att reducera den totala mängden kunskap som behövs, är slutsatserna baserade på ett begränsat urval av spel med låg komplexitet där den högsta kunskapsnivån är 2. Fortsatt forskning behövs för att undersöka om detta håller för mer komplexa system
Smoothed-Particle Hydrodynamics med ARM Scalable Vector Extension
No full textThis bachelor degree project investigates how intense Computation Fluid Dynamics methods, specifically the computationally demanding naive neighbour search in Smoothed Particle Hydrodynamics, can benefit from vectorization using Arm’s Scalable Vector Extension. Two C++ versions of a 2D naive neighbour search were implemented: one scalar and one vectorized utilizing SVE intrinsics. The vectorized version aims to accelerate the search by concurrently comparing distances between a particle and multiple other particles. Performance, in terms of clock cycles, was evaluated using the Gem5 simulator for SVE vector lengths from 128 to 2048 bits across various particle counts (16 to 65,536). The vectorized implementation demonstrated significant performance improvements for vector lengths of 256 bits and above, achieving up to an 11.14x speedup compared to the scalar version (at 2048-bit vectors with 65,536 particles). However, at the 128-bit vector length, the vectorization introduced overhead, resulting in a higher clock cycle count than the scalar baseline. The study confirms that for this naive neighbour search, increasing SVE vector length (beyond 128-bits) substantially reduces clock cycles. Finally, the results indicate that the speedups achieved from different vector lengths increased with problem size.Detta kandidatexamensarbete undersöker hur intensiva metoder inom beräkningsströmningsdynamik, särskilt den beräkningsmässigt krävande naiva grannsökningen i Smoothed Particle Hydrodynamics, kan dra nytta av vektorisering med hjälp av Arms Scalable Vector Extension (SVE). Två C++ versioner av en 2D naiv grannsökning implementerades: en skalär och en vektoriserad som använder SVE-instruktioner (intrinsics). Den vektoriserade versionen syftar till att accelerera sökningen genom att samtidigt jämföra avstånd mellan en partikel och flera andra partiklar. Prestanda, mätt i klockcykler, utvärderades med Gem5-simulatorn för SVE-vektorlängder från 128 till 2048 bitar över varierande partikelantal (16 till 65 536). Den vektoriserade implementeringen visade betydande prestandaförbättringar för vektorlängder på 256 bitar och däröver, och uppnådde upp till 11,14 gångers hastighetsökning jämfört med den skalära versionen (vid 2048-bitars vektorer med 65 536 partiklar). Vid 128-bitars vektorlängd introducerade vektoriseringen dock overhead, vilket resulterade i ett högre antal klockcykler än den skalära baslinjen. Studien bekräftar att för denna naiva grannsökning minskar en ökning av SVE-vektorlängden (över 128 bitar) klockcyklerna avsevärt. Slutligen indikerar resultaten att hastighetsökningarna som uppnåddes med olika vektorlängder ökade med problemstorleken
Sofistikerade och enkla fientliga attackers inverkan på spikande neuronnät
No full textAn adversarial attack aims to prevent a machine learning model from achieving its desired goal. It does so by generating adversarial examples by strategically modifying input data, deceiving the models whilst being imperceptible. This challenges the notion of interpretability and explainability of the models. This paper investigates the impact adversarial attacks of varying sophistication have on Spiking Neural Networks (SNNs), which have been trained using Backpropagation Through Time (BPTT). Three well–known adversarial attacks methods are compared—Fast Gradient Sign Method (FGSM), Projected Gradient Descent (PGD), and Carlini & Wagner (CW)—each representing a level of attack sophistication in ascending order. To explore the relation between model complexity and adversarial attack performance, two SNNs are trained to have different complexity, which in this context means that they are trained on a different amount of classes. The results reveal that although the most sophisticated CW attack had the best overall performance, the least sophisticated attacks, FGSM and PGD, had more consistent performance on both models, while the performance of CW diminished when used on the simpler model. This challenges the assumption that greater attack sophistication necessarily gives improved adversarial attack performance and suggests that, under certain conditions, less sophisticated attacks might have an advantage on less complex models.Syftet med fientliga attacker är att förhindra maskininlärningsmodeller från att uppnå sina mål. Fientliga bilder genereras genom att modifiera originalbilden, utan att skapa alltför märkbara förändringar. Detta utmanar tolkbarheten och förklarbarheten hos modellerna. Vi har utrett fientliga attacker av varierande sofistikation och deras förmåga att påverka spikande neuronnät (SNN) som är tränade med backpropagation över tid (BPTT). Tre välkända attacker används: Fast Gradient Sign Method (FGSM), Projected Gradient Descent (PGD) och Carlini & Wagner (CW). Varje attack representerar en av tre nivåer av sofistikation. För att utreda relationen mellan modellkomplexitet och fientliga attackers förmågor, tränas två SNN-modeller till att ha olika komplexitet. Resultaten visar att den mest sofistikerade CW-attacken hade i överlag bäst prestanda, men att de mindre sofistikerade FGSM- och PGD-attackerna presterade mer konsekvent medan CW-attacken hade en försämrad prestanda på den enklare modellen. Detta utmanar antagandet att en högre sofistikation nödvändigtsvis ger en bättre prestanda och visar att det i vissa fall kan finnas fördelar med mindre sofistikerade attacker på enklare modeller
Jämförande analys av multi-robot uppgiftsallokeringsalgoritmer för automatiserade lager
No full textThis report investigates two algorithmic approaches for solving the Multi-Robot Task Allocation (MRTA) problem in Robotic Mobile Fulfillment Systems (RMFS). An RMFS is a warehouse system that uses robots to move the shelves to worker stations, instead of workers moving around the warehouse. In this case, the MRTA problem turns into an optimal assignment problem of assigning tasks to robots to minimize the distance traveled. We devised a graph-based approach using Dijkstra’s algorithm to calculate assignment costs. For assigning the tasks, we compared the Kuhn-Munkres (Hungarian) algorithm to a Mixed-Integer Linear Programming (MILP) formulation. A simulation environment modeled as a 2D grid warehouse was developed to evaluate the performance of both approaches in terms of total travel distance and runtime. The runtime of the cost calculation was also examined to evaluate the total runtime of the program. Each MRTA algorithm was evaluated across varied warehouse sizes, task loads, and return location availability. The results show that both algorithms consistently yield optimal task allocations measured in total travel distance. However, Kuhn–Munkres significantly outperforms MILP in runtime across all test scenarios, demonstrating higher efficiency and scalability with one-to-one task to robot matching. On the other hand, MILP can be developed further to handle cases where the number of tasks exceeds the number of robots. The Kuhn–Munkres algorithm is unable to handle such cases directly, and therefore, MILP could be a viable alternative in scenarios where the number of tasks exceeds the number of available robots, enabling more realistic and resource-efficient task allocation in large-scale warehouse operations.Denna rapport undersöker två algoritmiska angreppssätt för att lösa problemet med multi-robot uppgifts allokering(MRTA) i Robotic Mobile Fulfillment Systems (RMFS). Ett RMFS är ett lagersystem där robotar används för att flytta hyllor till arbetsstationer, istället för att arbetare rör sig runt i lagret. I detta sammanhang blir MRTA-problemet ett optimeringsproblem där uppgifter tilldelas robotar för att minimera den totala färdsträckan. Vi utvecklade ett grafbaserat angreppssätt som använder Dijkstras algoritm för att beräkna tilldelningskostnader. För själva tilldelningen av uppgifter jämfördes Kuhn-Munkres-algoritmen (även känd som den ungerska algoritmen) med en formulering som bygger på blandad heltals linjärprogrammering (MILP). En simuleringsmiljö i form av ett 2D-rutnätslager utvecklades för att utvärdera båda metodernas prestanda i termer av total färdsträcka och algrotimernas körtid. Körtiden för kostnadsberäkningen analyserades också för att bedöma den totala programtiden. Varje MRTA-algoritm utvärderades för varierande lagerstorlekar, antal uppdrag och tillgänglighet av returplatser. Resultaten visar att båda algoritmer konsekvent ger optimala uppgiftstilldelningar mätt i total färdsträcka. Däremot presterar Kuhn–Munkres-algoritmen avsevärt bättre än MILP i fråga om körtid i samtliga testscenarier, vilket visar på högre effektivitet och skalbarhet vid en-till-en-matchning mellan uppgifter och robotar. Å andra sidan kan MILP vidareutvecklas för att hantera fall där antalet uppgifter överstiger antalet robotar. Kuhn–Munkres-algoritmen kan inte hantera sådana fall direkt, och därför kan MILP vara ett alternativ i scenarier där uppgifterna är fler än de tillgängliga robotarna, vilket möjliggör en mer realistisk och resurseffektiv uppgiftstilldelning i storskaliga lageroperationer
En jämförande analys av objektdetekteringsmodeller inom elektronisk sport
No full textElectronic sports, or esports, is a rapidly growing and influential industry in which individuals or teams compete in video games. A critical aspect of esports is data collection and analysis, which plays a key role in understanding player performance, developing strategy, and improving the spectator experience. However, for many games, such as Counter-Strike 2 and League of Legends, detailed in-game data is only available through official livestreams, and not through APIs or other external sources. To address this limitation, object detection, the task of identifying and classifying instances of objects in images, can be used to extract relevant information directly from on-screen overlays in live-streamed match footage. This thesis provides insight into the practical applications of modern object detection frameworks. Three models from distinct paradigms in object detection are compared in terms of average precision and inference time. The models are fine-tuned on synthetic datasets and tested on manually annotated datasets. Our results show that RT-DETRv2 is applicable to varying datasets that mainly consist of small objects. YOLOX yields great inference times, but often at the cost of average precision. As expected, Faster R-CNN shows the poorest trade-off between average precision and inference time and highlights some of its limitations such as the reliance on anchors. Our research offers guidance on selecting appropriate models for real-time applications. Quick and accurate visual detection not only improves decision-making in autonomous driving, thereby enhancing road safety, but also facilitates faster and more precise diagnoses in medical imaging, directly supporting UN SDG 3: Good health and well-being by saving lives.Elektronisk sporter, eller e-sport, är en snabbt växande och inflytelserik industri där individer eller lag tävlar i datorspel. En kritisk aspekt av e-sport är insamling och analys av data, som spelar en nyckelroll i att förstå spelarprestationer, utveckla strategier och förbättra tittarupplevelsen. För många spel, såsom Counter-Strike 2 och League of Legends, är detaljerad speldata endast tillgänglig via officiella livesändningar och inte genom API:er eller andra externa källor. För att hantera denna begränsning kan objektdetektering, identifiering och klassificering av objekt i bilder, användas för att extrahera relevant information direkt från livesända matchvideor. Detta kandidatexamensarbete ger insikt i de praktiska tillämpningarna av moderna ramverk för objektdetektering. Tre modeller från olika paradigm inom objektdetektering jämförs utifrån genomsnittlig precision och inferenstid. Modellerna tränas på syntetiska dataset och testas på manuellt annoterade dataset. Våra resultat visar att RT-DETRv2 kan appliceras på varierande dataset som till största delen består av små objekt. YOLOX ger mycket snabba inferenstider, men ofta på bekostnad av precision. Som förväntat uppvisar Faster R-CNN den sämsta avvägningen mellan precision och inferenstid, vilket belyser vissa av dess begränsningar såsom beroendet av ankarpunkter. Vår forskning ger vägledning i val av lämpliga modeller för realtidstillämpningar. Snabb och träffsäker visuell detektion förbättrar inte bara beslutsfattande inom autonom körning och därmed ökar trafiksäkerheten, utan möjliggör även snabbare och mer precisa diagnoser inom medicinsk bildanalys, vilket direkt stödjer FN:s globala mål 3: God hälsa och välbefinnande genom att rädda liv