Publikationer från KTH
Not a member yet
57933 research outputs found
Sort by
Adapting to Variations in Textile Properties for Robotic Manipulation
No full textIn spite of the rapid advancements in AI, tasks like laundry, tidying, and general household assistance remain challenging for robots due to their limited capacity to generalize manipulation skills across different variations of everyday objects.Manipulation of textiles, in particular, poses unique challenges due to their deformable nature and complex dynamics. In this thesis, we aim to enhance the generalization of robotic manipulation skills for textiles by addressing how robots can adapt their strategies based on the physical properties of deformable objects. We begin by identifying key factors of variation in textiles relevant to manipulation, drawing insights from overlooked taxonomies in the textile industry. The core challenge of adaptation is addressed by leveraging the synergies between interactive perception and cloth dynamics models. These are utilized to tackle two fundamental estimation problems to achieve adaptation: property identification, as these properties define the system’s dynamic and how the object responds to external forces, and state estimation, which provides the feedback necessary for closing the action-perception loop. To identify object properties, we investigate how combining exploratory actions, such as pulling and twisting, with sensory feedback can enhance a robot’s understanding of textile characteristics. Central to this investigation is the development of an adaptation module designed to encode textile properties from recent observations, enabling data-driven dynamics models to adjust their predictions accordingly to the perceived properties. To address state estimation challenges arising from cloth self-occlusions, we explore semantic descriptors and 3D tracking methods that integrate geometric observations, such as point clouds, with visual cues from RGB data.Finally, we integrate these modeling and perceptual components into a model-based manipulation framework and evaluate the generalization of the proposed method across a diverse set of real-world textiles. The results, demonstrating enhanced generalization, underscore the potential of adapting the manipulation in response to variations in textiles' properties and highlight the critical role of the action-perception loop in achieving adaptability.Trots de snabba framstegen inom AI förblir uppgifter som att tvätta, städa och allmän hushållshjälp utmanande för robotar på grund av deras begränsade förmåga att generalisera manipulationsfärdigheter över olika variationer av vardagsföremål. Manipulation av textilier utgör i synnerhet unika utmaningar på grund av deras deformerbara natur och komplexa dynamik.I denna avhandling syftar vi till att förbättra generaliseringen av robotiska manipulationsfärdigheter för textilier genom att undersöka hur robotar kan anpassa sina strategier baserat på de fysiska egenskaperna hos deformerbara objekt. Vi börjar med att identifiera nyckelfaktorer för variation i textilier som är relevanta för manipulation och drar insikter från förbisedda taxonomier inom textilindustrin.Den centrala utmaningen med anpassning adresseras genom att utnyttja synergierna mellan interaktiv perception och modeller för textildynamik. Dessa används för att lösa två grundläggande estimeringsproblem för att uppnå anpassning: egenskapsidentifiering, eftersom dessa egenskaper definierar systemets dynamik och hur objektet reagerar på yttre krafter, samt tillståndsestimering, som ger den återkoppling som krävs för att stänga åtgärds-perceptionsslingan. För att identifiera objektets egenskaper undersöker vi hur kombinationen av utforskande handlingar, såsom att dra och vrida, med sensorisk återkoppling kan förbättra robotens förståelse för textilens egenskaper. Centralt i denna undersökning är utvecklingen av en anpassningsmodul utformad för att koda textilens egenskaper från nyligen gjorda observationer, vilket gör det möjligt för datadrivna dynamikmodeller att justera sina förutsägelser utifrån de uppfattade egenskaperna.För att hantera utmaningar med tillståndsestimering som uppstår vid textilens självocklusioner utforskar vi semantiska deskriptorer och 3D-spårningsmetoder som integrerar geometriska observationer, såsom punktmoln, med visuella ledtrådar från RGB-data.Slutligen integrerar vi dessa modellerings- och perceptionskomponenter i ett modellbaserat manipulationsramverk och utvärderar generaliseringen av den föreslagna metoden på ett brett urval av textilier i verkliga miljöer. Resultaten, som visar förbättrad generalisering, understryker potentialen i att anpassa manipulation till variationer i textilernas egenskaper och framhäver den avgörande rollen för åtgärds-perceptionsslingan i att uppnå anpassningsförmåga.QC 20241213</p
Biopolymer Networks from Terrestrial and Aquatic Biomasses
No full textToday’s sustainability challenges demand more than new materials - they require new ways of thinking about the resources we already have to support zero waste strategies. This thesis explores the valorization of underutilized biomasses - specifically the terrestrial crop Lupinus angustifolius (Lupin) and the marine macroalga Ulva fenestrata (Ulva) - as alternative feedstocks for bio-based materials. These two biomasses were selected for their dual functionality: both are already cultivated for food applications, yet their residual non-edible fractions remain largely unexplored. By combining structural biology, bioprocess engineering, materials science, and bioimaging, the thesis establishes a comprehensive, interdisciplinary framework for biomass characterization and conversion. Biopolymer mapping using multimodal fluorescence imaging and optotracing revealed the tissue architecture and native biopolymer distribution in Lupin residues and Ulva thalli. From Lupin, lignocellulose was extracted through mild alkaline pretreatment and defibrillated into lignin-containing microfibrillated cellulose (L-MFC). In Ulva, complex structural features, including oligo-/polyaromatic-rich layers and rhizoidal fibrillar structures, were discovered, prompting a redefinition of its tissue terminology. A decellularization-inspired approach was then developed to recover tissue scaffolds from Ulva, leveraging its naturally thin, two-cell-layered structure to remove cellular content while preserving scaffold integrity. Finally, two material design strategies were employed: a bottom-up approach for Lupin-derived L-MFC films, exploiting their nanoscale fibrillar network for structural organization, and a top-down approach for Ulva-based films, preserving the intrinsic tissue scaffold architecture. The resulting materials demonstrated structural integrity while preserving key biopolymer networks. Across the entire biomass-to-material workflow, multimodal fluorescence imaging combined with optotracing was integrated and adapted as a novel analytical tool, providing non-destructive, real-time and high-resolution information.Dagens hållbarhetsutmaningar kräver mer än bara nya material – de kräver ett nytt sätt att tänka kring resurser vi redan har. Denna avhandling utforskar möjligheten att använda underutnyttjade biomassor – specifikt jordbruksgrödan Lupinus angustifolius (lupin) och den marina makroalgen Ulva fenestrata (Ulva) – som alternativa råvaror för biobaserade material. Dessa två biomassor valdes utifrån sin dubbla funktionalitet: båda odlas redan idag för livsmedelsändamål, medan resterande oätliga delar förblir till stor del outforskade.Genom att kombinera strukturbiologi, bioprocessteknik, materialvetenskap och avbildningsteknik etableras ett interdisciplinärt ramverk för karakterisering och omvandling av biomassa. Kartläggning och avbildning av biopolymerer med multimodal fluorescensmikroskopi och optotracing avslöjade vävnadsarkitekturen och den naturliga fördelningen av biopolymerer i olika växtdelar hos lupin och Ulva. Från lupin extraherades lignocellulosa via mild alkalisk förbehandling som sedan defibrillerades till lignininnehållande mikrofibrillerad cellulosa (L-MFC). I Ulva upptäcktes komplexa strukturer, inklusive oligo-/polyaromatiska lager och fibrillära strukturer i rhizoidzonen, vilket föranledde en omdefinition av dess vävnadsterminologi. En metod inspirerad av vävnadsdecellularisering utvecklades därefter för att isolera en cellväggsstruktur från Ulva. Cellinnehållet avlägsnades under milda betingelser för att bevara dess naturligt endast två cellager tunna struktur och integritet. Slutligen applicerades två olika strategier för materialdesign: en bottom-up-metod för att skapa filmer av lupin-baserad L-MFC, där dess fibrillära nätverk nyttjades för strukturell organisering, och en top-down-metod för Ulva-baserade filmer där den ursprungliga vävnadsarkitekturen bevarades. De resulterande materialen uppvisade god strukturell integritet samtidigt som viktiga biopolymernätverk bevarades. Multimodal fluorescensavbildning och optotracing integrerades och anpassades som ett nytt analytiskt verktyg, vilket möjliggjorde icke-förstörande, realtids- och högupplöst analys genom hela processen från biomassa till material.QC 20250506</p
A Parametric study and LCC Cost optimization of a Residential building in Sweden
No full textThis thesis investigates the life cycle cost (LCC) optimization of energy-related design parameters for a mixed-use residential building in Sweden. The study couples the building performance simulation tool IDA-ICE with the multi-objective optimization tool MOBO, enabling a parametric analysis of four key variables: external wall thickness, window U-value, roof insulation thickness, and heat recovery efficiency. To make the simulations computationally feasible, a model simplification methodology was developed as part of the study. The optimization results suggest that improving window insulation (i.e., lowering U-values) and increasing external wall thickness offer the most cost-effective performance from an LCC perspective. These findings are not only relevant for achieving compliance with tightening Swedish building regulations but also provide guidance for designing cost-efficient energy measures. The results also underscore the significant influence of macroeconomic assumptions, particularly discount rates and energy price escalation on determining the cost-optimal level of energy performance in buildings.Detta examensarbete undersöker hur olika energirelaterade designparametrar för en svensk byggnad med blandad användning kan optimeras ur ett livscykelkostnadsperspektiv (LCC). Studien kopplar simuleringsverktyget IDA-ICE med det multiobjektiva optimeringsverktyget MOBO för att genomföra en parametrisk analys av fyra centrala variabler: ytterväggstjocklek, fönsters U-värde, takisoleringens tjocklek samt värmeåtervinningens verkningsgrad. För att möjliggöra en praktisk simuleringsprocess utvecklades en metod för att förenkla byggnadsmodellen. Resultaten visar att det ur ett LCC-perspektiv är mest kostnadseffektivt att investera i bättre fönster (lägre U-värde) samt tjockare ytterväggar. Slutsatserna är viktiga både för att möta skärpta svenska byggregler och för att utforma energieffektiva lösningar med låg livscykelkostnad. Studien visar även att det kostnadsoptimala valet av energieffektiviseringsåtgärder påverkas i hög grad av de ekonomiska antagandena, särskilt diskonteringsräntor och energiprisutveckling
Konvex optimering av fasskiftande transformatorer lindningskopplare i en topologiändrande överbelastningshantering med hög genomströmning
No full textElectricity grid congestion management requires transmission system operators to implement non-costly remedial actions -- including topological changes and phase-shifting transformer adjustments -- to prevent line overloads. Real-time operational constraints necessitate efficient computational approaches like linearised power flow approximations on high-throughput architectures to perform a combinatorial search for remedial actions. While an existing topology optimiser for congestion management addresses bus splits, coupler openings, and line switching, phase-shifting transformer set point adjustments have been neglected. This thesis extends the existing high-throughput combinatorial topology optimiser to include phase-shifting transformer set points, which can be modelled as a convex, box-constrained, non-differentiable optimisation problem. By summarising the literature and performing numerical experiments on real-world grids, we compare three algorithmic classes of ascending mathematical complecity: direct search, proximal subgradient-based, and proximal primal-dual methods. We conclude that the proximal subgradient method with constant step length performs best when considering quality of results, speed, and integration into the existing software. Hantering av överbelastning i elnät kräver att systemoperatörer för överföringssystem implementerar icke-kostsamma avhjälpande åtgärder, inklusive topologiska förändringar och justeringar av fasförskjutningstransformatorer, för att förhindra överbelastningar på ledningar. Operativa begränsningar i realtid nödvändiggör effektiva beräkningsmetoder såsom linjäriserade effektflödesuppskattningar på högkapacitetsarkitekturer för att genomföra kombinatorisk sökning efter avhjälpande åtgärder. Medan en befintlig topologioptimerare för överbelastningshantering hanterar bussdelningar, kopplingsöppningar och ledningsomkoppling har justeringar av börvärden för fasförskjutnngstransformatorer försummats. Denna avhandling utvidgar en existerande högkapacitets kombinatorisk topologioptimerare till att inkludera börvärden för fasförskjutningstransformatorer, vilken kan modelleras till ett konvext, lådabegränsat, icke-differentierbart optimeringsproblem. Genom att sammanfatta litteraturen och utföra numeriska experiment på verkliga elnät jämför vi tre algoritmiska klasser av stigande matematisk komplexitet: direktsökning, proximala subgradientbaserade metoder och proximala primal-dual-metoder. Vi drar slutsatsen att den proximala subgradientmetoden med konstant steglängd presterar bäst med hänsyn till resultatens kvalitet, hastighet och integration i den befintliga programvaran.
Developing simulation models of Automatic and Rotary Milking Systems to enhance production efficiency : Case study at DeLaval International AB
No full textCurrently, many farmers are transitioning to Automated Milking Systems (AMS), recognizing the ability to reduce labor demands and improve animal welfare. However, this shift is also driven by external economic pressures, such as labor shortages and the need for cost-efficient milk production. By developing a simulation model of the milking system, farmers and engineers can evaluate different barn layouts, cow traffic patterns, and resource allocations without disrupting live operations. Recognizing the potential of simulation, DeLaval has shown interest in using it to improve barn layouts and milking processes. However, there is a notable gap in existing models; few combine agent-based modeling with discrete event simulation, a hybrid approach well-suited to capturing both cow behavior and system dynamics. In collaboration with DeLaval, this master’s thesis investigated the modeling of two milking systems: AMS, using a batch milking cow traffic design, and Rotary Milking Parlors (RMP). The objective was to create simulation models that closely emulate real farm conditions to explore improvements in production efficiency. It focused on developing realistic agent-based simulation models grounded in actual farm layouts, cow behavior, and empirical input data using AnyLogic as a simulation tool. The study outlined a systematic approach for model development, demonstrating how the simulation tool, together with real-world data, can be used to replicate a farm’s milking systems. To assess the accuracy of the models, validation was performed using both statistical and face validation methods, comparing simulation outputs to data from the real farms. The results demonstrated the potential of a hybrid modeling approach for evaluating and optimizing farm designs. The models were successfully validated with an average relative error of less than 2% and shown to reflect the real-world behavior of the system. However, certain simplifications, such as the use of circular hitboxes, limited input and output data, and the omission of behavioral traits like dominance and stress, introduced some limitations. Nevertheless, the models identified key decision parameters and their influence on productivity, providing a foundation for further refinement of models with more complex logic and behavior for more realistic replication, allowing for optimization opportunities.För närvarande övergår många lantbrukare till automatiska mjölkningssystem (AMS), eftersom de inser att dessa kan minska arbetsbördan och förbättra djurvälfärden. Denna förändring drivs dock också av yttre ekonomiska faktorer, såsom brist på arbetskraft och behovet av kostnadseffektiv mjölkproduktion. Genom att utveckla en simuleringsmodell av mjölkningssystemet kan lantbrukare och ingenjörer utvärdera olika ladugårdsutformningar, kotrafikmönster och resursfördelningar utan att störa den faktiska driften. Med insikt om simuleringens potential har DeLaval visat intresse för att använda den för att förbättra ladugårdsdesign och mjölkningsprocesser. Det finns dock en tydlig brist i befintliga modeller: få kombinerar agentbaserad modellering med diskret händelsesimulering, en hybridmetod som är särskilt lämpad för att fånga både kobeteende och systemdynamik. I samarbete med DeLaval undersökte detta masterexamensarbete modelleringen av två mjölkningssystem: AMS med ett batch-mjölkningssystem för kotrafik, samt roterande mjölkningskaruseller (RMP). Syftet var att skapa simuleringsmodeller som efterliknar verkliga gårdsförhållanden för att undersöka förbättringar i produktionseffektivitet. Arbetet fokuserade på att utveckla realistiska agentbaserade simuleringsmodeller baserade på verkliga ladugårdslayouter, kobeteende och empiriska indata, med hjälp av AnyLogic som simuleringsverktyg. Studien beskrev ett systematiskt angreppssätt för modellutveckling och visade hur simuleringsverktyget, i kombination med verkliga data, kan användas för att återskapa en gårds mjölkningssystem. För att bedöma modellernas noggrannhet genomfördes validering med både statistiska metoder och ansiktsvalidering, där simuleringsresultaten jämfördes med data från de verkliga gårdarna. Resultaten visade potentialen i det hybrida modelleringsangreppssättet för att utvärdera och optimera ladugårdsutformningar. Modellerna validerades framgångsrikt, med ett genomsnittligt relativt fel på mindre än 2%, och visade sig spegla systemets verkliga beteende. Vissa förenklingar såsom användning av cirkulära hitboxar, begränsad in- och utdata, samt uteslutande av beteendefaktorer som dominans och stress introducerade vissa begränsningar. Trots detta identifierade modellerna viktiga beslutparametrar och deras påverkan på produktivitet, vilket utgör en grund för fortsatt utveckling med mer komplex logik och beteende för mer realistisk återgivning och optimeringsmöjligheter
Förutsägelse av gångkinematik efter behandling hos barn med cerebral pares med hjälp av djupinlärning : En sekvens-till-sekvens-metod som utnyttjar initiala gångdata, patientspecifika egenskaper och behandlingsinformation
No full textCerebral palsy is a neurological disorder that affects movement and posture, often leading to gait abnormalities. Clinical gait analysis is widely used to assess and guide therapeutic decisions, including botulinum toxin type A injections. However, predicting gait kinematics after treatment remains a significant challenge due to patient variability and complex biomechanical factors and has not been extensively addressed in the literature. This thesis explores the use of deep learning models to predict the temporal profiles of joint angles in children with cerebral palsy after botulinum toxin treatment or after a period without intervention. A sequence-to-sequence modeling approach is employed, leveraging initial joint-angle temporal profiles, patient-specific data (such as age and time between consultations in the absence of treatment), and treatment details (including injected muscles and botulinum toxin dosage in the presence of treatment). Three deep learning architectures---specifically bidirectional long short-term memory networks, one-dimensional convolutional neural networks, and Transformer models---were trained and evaluated to determine their predictive performance. The results indicate that deep learning models---particularly the bidirectional long short-term memory and the one-dimensional convolutional neural network---can predict up to 15% of the observed changes between two clinical gait analyses in patients who did not receive treatment. In contrast, predictions for patients who received treatment remain more challenging due to the heterogeneous effects of botulinum toxin injections on gait and the limited size of the dataset. The findings also suggest that incorporating additional patient-specific information does not significantly enhance model performance and that predictive accuracy varies depending on the joint angle being predicted. The best predictive performance was observed for rotational angles in patients who did not receive botulinum toxin injections, with an average of 20% of the observed changes being predicted. This work contributes to the field of computational biomechanics by investigating how deep learning can support clinicians in personalizing treatment strategies for children with cerebral palsy. Future research may consider focusing on the prediction of average gait cycles rather than individual ones or adopting generative models to capture the underlying distribution of future joint-angle temporal profiles. Reducing the number of joint angles to be predicted according to clinical priorities and exploring data augmentation techniques also represent promising directions.Cerebral pares är en neurologisk sjukdom som påverkar rörelse och hållning, vilket ofta leder till avvikelser i gångförmågan. Klinisk gånganalys används ofta för att bedöma och vägleda terapeutiska beslut, inklusive injektioner med botulinumtoxin typ A. Att förutsäga gångkinematik efter behandling är dock fortfarande en betydande utmaning på grund av patientvariabilitet och komplexa biomekaniska faktorer, och har inte behandlats i stor utsträckning i litteraturen. Detta examensarbete undersöker användningen av djupinlärningsmodeller för att förutsäga de temporala profilerna för ledvinklar hos barn med cerebral pares efter behandling med botulinumtoxin eller efter en period utan intervention. En sekvens-till-sekvens-modelleringsmetod används och utnyttjar initiala tidsprofiler för ledvinklar, patientspecifika data (t.ex. ålder och tid som förflutit mellan konsultationer i avsaknad av behandling) och behandlingsdetaljer (inklusive injicerade muskler och botulinumtoxindosering i närvaro av behandling). Tre arkitekturer för djupinlärning, nämligen dubbelriktade nätverk för långtidsminne, endimensionella konvolutionsneuronnät och Transformer-modeller, tränades och utvärderades för att fastställa deras prediktiva prestanda. Resultaten visar att modeller för djupinlärning, i synnerhet det dubbelriktade långtidsminnet och det endimensionella faltningsneuronnätet, kan förutsäga upp till 15 % av de observerade förändringarna mellan två kliniska gånganalyser hos patienter som inte fick behandling. Däremot är förutsägelser för patienter som fått behandling fortfarande mer utmanande på grund av de heterogena effekterna av botulinumtoxininjektioner på gång och den begränsade storleken på datasetet. Resultaten tyder också på att införandet av ytterligare patientspecifik information inte förbättrar modellens prestanda nämnvärt och att prediktionsnoggrannheten varierar beroende på vilken ledvinkel som predikteras. Den bästa prediktiva prestandan observerades för rotationsvinklar hos patienter som inte hade fått botulinumtoxininjektioner, där i genomsnitt 20% av de observerade förändringarna förutsågs. Detta arbete bidrar till området beräkningsbaserad biomekanik genom att undersöka hur djupinlärning kan stödja kliniker i att anpassa behandlingsstrategier för barn med cerebral pares. Framtida forskning kan överväga att fokusera på förutsägelse av genomsnittliga gångcykler snarare än enskilda, eller att anta generativa modeller för att fånga den underliggande fördelningen av framtida temporala profiler för ledvinklar. Att minska antalet ledvinklar som ska förutsägas enligt kliniska prioriteringar och utforska tekniker för dataförstärkning är också lovande riktningar.La paralysie cérébrale est un trouble neurologique qui affecte le mouvement et la posture, entraînant souvent des anomalies de la marche. L'analyse clinique de la marche est largement utilisée pour évaluer et guider les décisions thérapeutiques, notamment les injections de toxine botulique de type A. Cependant, la prédiction de la cinématique de la marche après traitement reste un défi important en raison de la variabilité des caractéristiques des patients et des facteurs biomécaniques complexes, et n'a pas été largement abordée dans la littérature. Ce travail de recherche explore l'utilisation de modèles d'apprentissage profond pour prédire les profils temporels des angles articulaires chez les enfants atteints de paralysie cérébrale après un traitement à la toxine botulique ou après une période sans intervention. Une approche de modélisation séquence à séquence est employée, tirant parti des profils temporels initiaux des angles articulaires, des données spécifiques au patient (telles que l'âge et le temps écoulé entre les consultations en l'absence de traitement), et des détails du traitement (tels que les muscles injectés et la dose de toxine botulique en présence de traitement). Trois architectures d'apprentissage profond, à savoir les réseaux de neurones bidirectionnels à mémoire à court et à long terme, les réseaux de neurones convolutionnels unidimensionnels et les modèles Transformer, ont été entraînés et évalués afin de déterminer leurs performances prédictives. Les résultats indiquent que les modèles d'apprentissage profond, en particulier les réseaux de neurones bidirectionnels à mémoire à court et à long terme et les réseaux de neurones convolutionnels unidimensionnels, peuvent prédire jusqu'à 15 % des changements observés entre deux analyses cliniques de la marche chez les patients qui n'ont pas reçu d'injections. En revanche, les prédictions pour les patients qui ont reçu au moins une injection restent plus difficiles en raison des effets hétérogènes de la toxine botulique sur la marche et de la taille limitée de l'ensemble de données. Les résultats suggèrent également que l'incorporation d'informations supplémentaires spécifiques au patient n'améliore pas de manière significative les performances des modèles et que la précision prédictive varie selon ’langle articulaire considéré. Les meilleures performances prédictives ont été observées pour les angles de rotation chez les patients n'ayant pas reçu d'injections de toxine botulique, avec en moyenne 20 % des changements observés qui ont été prédits. Ce travail contribue au domaine de la biomécanique computationnelle en étudiant comment l'apprentissage profond peut aider les cliniciens à personnaliser les stratégies de traitement pour les enfants atteints de paralysie cérébrale. Les recherches futures pourraient se concentrer sur la prédiction des cycles de marche moyens plutôt que sur la prédiction des cycles individuels, ou d'adopter des modèles génératifs pour capturer la distribution sous-jacente des profils temporels futurs des angles articulaires. La réduction du nombre d'angles articulaires à prédire en fonction des priorités cliniques et l'exploration de techniques d'augmentation de données représentent également des directions intéressantes
Data verification for GNSS systems and protection of GNSS services
No full text Global Navigation Satellite Systems (GNSS) provide ubiquitous precise localization and synchronization for a wide gamut of applications, spanning from location-based service to core industrial functionalities in communications and large infrastructure. Civilian use of GNSS relies on publicly available signals and infrastructure designed to operate at a high level of interoperability. Nevertheless, such systems proved to be vulnerable to voluntary and involuntary interference aiming to deny, modify, and falsify the GNSS-provided solution. This poses a significant threat to the robustness of satellite-based timing and localization. A decreasing entry threshold from the knowledge and tools accessibility perspective makes mounting such attacks feasible and effective even against low-value targets. In this work, this issue is targeted, with a practical approach, from three directions, by cross-checking the navigation solution with alternative providers of time, by localizing the interference source and characterizing it, and by relying on specific receiver dynamics to eliminate falsified signals. We discuss protection mechanisms targeting the consumer market based on available infrastructure or on sensing supported by sensors embedded in the GNSS-enabled platform itself. These efforts collectively aim to improve the robustness of consumer GNSS solutions, without modifying the GNSS receiver or the signal structure, to provide secure and reliable navigation and timing in an increasingly adversarial environment.Globala system för satellitnavigering (eng. global navigation satellite systems, GNSS) tillhandahåller allestädes närvarande precis platsbestämning och synkronisering för ett brett spann av tillämpningar, från platsbaserade tjänster till industriella kärnfunktioner i kommunikation och stora infrastrukturer. Civil användning av GNSS förlitar sig på allmänt tillgängliga signaler och infrastruktur som är designad att användas på en hög nivå av interoperabilitet. Dessa system har visat sig sårbara för störningar som söker att neka, modifiera och falsifiera GNSS-lösningar. Detta utgör ett allvarligt hot mot tillförlitligheten av satellitbaserad tids- och platsbestämning. En sänkning av tröskeln för tillgängligheten av kunskap och verktyg gör det möjligt och effektivt att inleda sådana attacker, även mot lågvärdesmål. I detta verk angrips problemet praktiskt via tre tillvägagångssätt: genom dubbelkontroll av navigationslösningen med alternativa internettidsleverantörer, genom lokalisering av störningskällan och karaktärisera den, och genom att förlita sig på specifik mottagardynamik för att eliminera falsifierade signaler. Vi diskuterar skyddsmekanismer ämnade för konsumentmarknaden baserat på tillgänglig infrastruktur eller m.h.a. mätningar från inbyggda sensorer i GNSS-plattformen i sig. Dessa ansträngningar söker att gemensamt förbättra tillförlitligheten hos konsument GNSS-lösningar, utan att modifiera GNSS-mottagaren eller signalstrukturen, för att erbjuda säker ochpålitlig navigation och tid i en alltmer fientlig miljöQC 20250317</p
Eco-Design Strategies for Sustainable Solvent Management in Pharmaceutical Manufacturing : A Framework Based on Environmental Lifecycle Assessment and Process Optimization at Sanofi
No full textOrganic solvents are indispensable in pharmaceutical manufacturing, yet they represent some of the most environmentally intensive inputs across synthesis, purification, and formulation stages. Solvent life cycles are major contributors to global warming potential, fossil resource depletion, and toxic emissions. This study presents an integrated eco-design framework for solvent optimization, combining Life Cycle Assessment (LCA), process engineering, and circular economy principles to address both upstream solvent selection and downstream solvent recovery performance. The research investigates four strategic levers for solvent sustainability: (i) creation of the Solvent Guide through the integration of environmental impact and recyclability metrics into a multi-criteria scoring system; (ii) deployment of Maufacturing Science and Technology (MSAT) Techno-Standards to reduce solvent demand and emissions in key unit operations; (iii) site-level evaluation of solvent recovery Key Performance Indicators (KPIs) to benchmark and scale best practices; and (iv) development of reference and replicable LCA models for virgin and recycled solvents, with in-depth scenarios for acetone and n-propanol. A key strength of this work is the use of EDDI, a robust environmental data integration platform, in combination with Activity Browser and Ecoinvent v3.8. EDDI’s structured datasets and interoperability with site-level inventories enabled precise modeling of Sanofi’s recovery processes, ensuring traceability, reproducibility, and consistency across all scenarios. Results show that internal recycling can reduce cradle-to-gate GWP impacts by 65–70% compared to virgin production, provided solvent recovery yields exceed 80% and energy sources used are low carbon. Sensitivity analyses highlight the critical influence of grid electricity mix, recovery efficiency, and solvent purity requirements on overall impact profiles. Site-level findings indicate substantial optimization potential at Sisteron, France, while Frankfurt, Germany serves as a reference model for high-efficiency closed-loop recovery. Integrated MSAT levers— such as optimized fill volumes, reflux control, and vapor recovery, enable 15–20% solvent demand reduction in sterile operations. This study contributes a replicable modeling approach and decision-support structure for scaling solvent sustainability strategies across pharmaceutical facilities. By linking solvent selection, recovery performance, and environmental impact metrics into one cohesive framework, the research supports both regulatory alignment and climate action. Ultimately, it offers a datadriven pathway for reducing Scope 3 emissions and advancing the circular transformation of pharmaceutical manufacturing systems.Organiska lösningsmedel är oumbärliga inom läkemedelstillverkning, men de utgör samtidigt några av de mest miljöintensiva insatsvarorna under syntes-, renings- och formuleringsstegen. Lösningsmedlens livscykler bidrar i hög grad till global uppvärmningspotential, utarmning av fossila resurser och utsläpp av toxiska ämnen. Denna studie presenterar en integrerad ekodesignram för lösningsmedelsoptimering, som kombinerar livscykelanalys (LCA), processteknik och principer för cirkulär ekonomi för att adressera både uppströms lösningsmedelsval och nedströms återvinningsprestanda. Forskningen undersöker fyra strategiska hävstänger för lösningsmedelshållbarhet: (i) utvecklingen av en Lösningsmedelsguide genom integration av miljöpåverkan och återvinningsbarhet i ett multikriteriebaserat poängsystem; (ii) implementering av Manufacturing Science and Technology (MSAT) Techno-Standards för att minska lösningsmedelsförbrukning och utsläpp i centrala enhetsoperationer; (iii) utvärdering av lösningsmedelsåtervinnings-KPI:er på anläggningsnivå för att jämföra och skala upp bästa praxis; samt (iv) utveckling av referensoch replikerbara LCA-modeller för jungfruliga och återvunna lösningsmedel, med fördjupade scenarier för aceton och n-propanol. En styrka i detta arbete är användningen av EDDI, en robust plattform för miljödataintegration, i kombination med Activity Browser och Ecoinvent v3.8. EDDI:s strukturerade dataset och interoperabilitet med anläggningsspecifika inventeringar möjliggjorde exakt modellering av Sanofis återvinningsprocesser och säkerställde spårbarhet, reproducerbarhet och konsistens i alla scenarier. Resultaten visar att intern återvinning kan minska cradle-to-gate GWP med 65–70 % jämfört med jungfrulig produktion, förutsatt att återvinningsgraden överstiger 80 % och att energikällorna är lågutsläppande. Känslighetsanalyser belyser det kritiska inflytandet av elmix, återvinningseffektivitet och lösningsmedelns renhetskrav på den totala miljöprofilen. Anläggningsspecifika resultat indikerar en betydande optimeringspotential vid Sisteron i Frankrike, medan Frankfurt i Tyskland fungerar som en referensmodell för högpresterande slutna återvinningssystem. Integrerade MSAT-hävstänger – såsom optimerade fyllnadsvolymer, refluxkontroll och ångåtervinning – möjliggör en 15–20 % minskning av lösningsmedelsförbrukningen i sterila processer. Studien bidrar med en replikerbar modelleringsmetod och ett beslutsstöd för att skala upp strategier för lösningsmedelshållbarhet inom läkemedelsproduktion. Genom att koppla lösningsmedelsval, återvinningsprestanda och miljöpåverkan i ett sammanhängande ramverk stödjer forskningen både regulatorisk anpassning och klimatåtgärder. I slutändan erbjuder den en datadriven väg för att minska Scope 3-utsläpp och påskynda den cirkulära omställningen av läkemedelstillverkning
Bayesian Causal Discovery and Object-Centric Representations : Challenges and Insights in Structured Learning
No full textCausality and Representation Learning are foundational to advancing AI systems capable of reasoning, generalizing, and understanding the complex structure of the world. Causality provides tools to uncover the underlying causal structure of a system, understand cause-effect relationships, and reason about interventions. Representation Learning, on the other hand, transforms raw data into structured abstractions essential for modeling the underlying system and decision-making. Causal Representation Learning bridges these paradigms by using representation learning to extract high-level abstractions and entities and integrating causal reasoning principles to uncover cause-effect relationships between these entities. This approach is crucial for real-world systems, where causal relationships are typically defined between high-level entities, such as objects or interactions, rather than low-level sensory inputs like pixels. This thesis explores two key paradigms presented as a collection of two papers: the challenges in the evaluation of Bayesian Causal Discovery, and the effectiveness of structured representations, with a focus on object-centric representations in visual reasoning. In the first paper, we study the challenges in the evaluation of Bayesian Causal Discovery methods. By analyzing existing metrics on linear additive noise models, we find that current metrics often fail to correlate with the true posterior in high-entropy settings, such as with limited data or non-identifiable causal models. We highlight the importance of considering posterior entropy and recommend evaluating Bayesian Causal Discovery methods on downstream tasks, such as causal effect estimation, for more meaningful evaluation in such scenarios. In the second paper, we investigate the effectiveness of object-centric representations in visual reasoning tasks, such as Visual Question Answering. We reveal that while large foundation models often match or surpass object-centric models in performance, they require larger downstream models and more compute due to their less explicit representations. In contrast, object-centric models provide more interpretable representations but face challenges on more complex datasets. Combining object-centric representations with foundation models emerges as a promising solution, reducing computational costs while maintaining high performance. Additionally, we provide several additional insights such as segmentation performance versus downstream performance, and the effect of factors such as dataset size and question types, to further improve our understanding of these models.Kausalitet och representationsinlärning är grundläggande för att utveckla AI-system som kan resonera, generalisera och förstå världens komplexa strukturer. Kausalitet tillhandahåller verktyg för att avslöja den underliggande kausala strukturen i ett system, förstå orsak-verkan-relationer och resonera kring interventioner. Representationsinlärning, å andra sidan, omvandlar rådata till strukturerade abstraktioner som är avgörande för modellering av det underliggande systemet och beslutsfattande. Kausal representationsinlärning sammanför dessa paradigm genom att använda representationsinlärning för att extrahera högre nivåers abstraktioner och enheter samt integrera principer för kausalt resonemang för att avslöja orsak-verkan-relationer mellan dessa entiteter. Detta tillvägagångssätt är avgörande för verkliga system, där kausala relationer vanligtvis definieras mellan högre nivåers entiteter, såsom objekt eller interaktioner, snarare än lågupplösta sensoriska data som pixlar. Denna avhandling undersöker två centrala paradigm presenterade som en samling av två artiklar: utmaningarna i utvärderingen av Bayesiansk kausal upptäckning och effektiviteten av strukturerade representationer, med fokus på objektcentrerade representationer inom visuellt resonemang. I den första artikeln studerar vi utmaningarna i utvärderingen av metoder för Bayesiansk kausal upptäckning. Genom att analysera befintliga mått på linjära additiva brusmodeller finner vi att nuvarande metoder ofta misslyckas med att korrelera med den sanna posteriorn i högentropiska inställningar, såsom vid begränsad data eller icke-identifierbara kausala modeller. Vi framhäver vikten av att beakta posteriorns entropi och rekommenderar att Bayesiansk kausal upptäckning-metoder utvärderas på nedströmsuppgifter, såsom orsakseffektsberäkning, för att uppnå en mer meningsfull utvärdering i sådana scenarier. I den andra artikeln undersöker vi effektiviteten av objektcentrerade representationer i visuella resonemangsuppgifter, såsom Visual Question Answering. Vi avslöjar att även om stora grundmodeller ofta kan matcha eller överträffa objektcentrerade-modeller i prestanda, kräver de större nedströmsmodeller och mer beräkningskraft på grund av deras mindre explicita representationer. I kontrast erbjuder objektcentrerade-modeller mer tolkningsbara representationer men möter utmaningar på mer komplexa datamängder. Att kombinera objektcentrerade-representationer med grundmodeller framstår som en lovande lösning, eftersom det minskar beräkningskostnaderna samtidigt som hög prestanda bibehålls. Dessutom presenterar vi flera ytterligare insikter, såsom sambandet mellan segmenteringsprestanda och nedströmsprestanda samt effekten av faktorer som datasetstorlek och frågetyper, för att ytterligare förbättra vår förståelse av dessa modeller.QC 20250212</p
Modeling on-board crowding contributions in public transportation systems using automated data sources
No full textCities worldwide are progressively attracting more residents, making the transportation supply provision challenging and the overcrowding phenomenon a new norm. Crowding negatively affects passengers’ travel experience and the operations of the public transportation system. So far, little attention has been given to how specific passenger groups, including the new residents of a city, contribute to public transportation crowding. Empirical knowledge of passenger groups’ impact on the crowding conditions in the system can guide tailored policy initiatives such as new fare structures, dedicated public transportation services, or infrastructure investments. Automated data sources in the public transportation sector can play an important role in this direction by i) offering opportunities for passenger segmentation and ii) providing data with high spatiotemporal resolution. Paper I proposes a method based on smart card data for quantifying crowding contributions from a selected passenger group on the rest of the passengers at the journey level. We propose two novel metrics: time-weighted contribution to load factor and maximum contribution to load factor. The method is applied to two passenger groups: school students and passengers traversing Stockholm’s inner city. Results indicate that school students utilize 15% of the seating capacity in the Stockholm County case study area. Moreover, passengers traversing the inner-city occupy more than 80% of the seating capacity on the most affected network segment. The commuter rail corridor and its surrounding areas are found to be primarily affected by both selected passenger groups. Results can guide policy-making towards more efficient demand management and lower overall crowding conditions on the public transportation system. Paper II extends the method proposed in Paper I in the context of new urban developments. The method captures the difference in crowding contributions induced by a newly developed area at the segment level. The method is applied to various urban developments, considering the classification of their types. Characteristics of the selected urban development categories such as the type, size, location, proximity to high-capacity public transportation connections, and socioeconomic characteristics are also concerned. Results reveal that the size, type of urban development, and proximity to a high-capacity connection are highly influential factors in determining the value and shaping the geographical extent of the crowding implications, regardless of its category. In addition, income and car ownership levels in the newly developed areas have a two-fold effect on shaping network-wide crowding contributions in terms of value and geographical spread. Results from Paper II can be incorporated into assessment frameworks for public transportation investments related to new urban developments. Last, results may assist in placing future urban developments accounting for the resulting crowding effects, therefore assisting towards more efficient public transportation networks and cities.Städer över hela världen lockar till sig allt fler invånare, vilket gör transportförsörjningen utmanande och överbeläggningar till en ny norm. Trängsel har en negativ inverkan på passagerarnas reseupplevelse och på kollektivtrafiksystemets funktion. Hittills har liten uppmärksamhet ägnats åt hur specifika passagerargrupper, inklusive de nya invånarna i en stad, bidrar till trängsel i kollektivtrafiken. Empirisk kunskap om passagerargruppernas inverkan på trängseln i systemet kan vägleda skräddarsydda politiska initiativ som nya prisstrukturer, särskilda kollektivtrafiktjänster eller infrastrukturinvesteringar. Automatiserade datakällor inom kollektivtrafiksektorn kan spela en viktig roll i detta sammanhang genom att i) erbjuda möjligheter till passagerarsegmentering och ii) tillhandahålla data med hög spatiotemporal upplösning. I Paper I föreslås en metod baserad på smartkortsdata för att kvantifiera trängselbidrag från en utvald passagerargrupp på resten av passagerarna på resenivå. Vi föreslår två nya mätvärden: tidsviktat bidrag till belastningsfaktorn och maximalt bidrag till belastningsfaktorn. Metoden tillämpas på två passagerargrupper: skolelever och passagerare som reser genom Stockholms innerstad. Resultaten visar att skolelever utnyttjar 15% av sittplatskapaciteten i fallstudieområdet i Stockholms län. Dessutom upptar passagerare som reser genom innerstaden mer än 80% av sittplatskapaciteten på det mest påverkade nätverkssegmentet. Pendeltågskorridoren och dess omgivande områden påverkas främst av båda de utvalda passagerargrupperna. Resultaten kan vägleda beslutsfattandet mot en mer effektiv efterfrågestyrning och lägre trängsel i kollektivtrafiksystemet. I Paper II utvidgas den metod som föreslås i Paper I till att omfatta nya stadsutvecklingsområden. Metoden fångar upp skillnaden i trängselbidrag som orsakas av ett nyutvecklat område på segmentnivå. Metoden tillämpas på olika stadsutvecklingar, med hänsyn till klassificeringen av deras typer. De utvalda stadsutvecklingskategoriernas egenskaper, såsom typ, storlek, läge, närhet till kollektivtrafikförbindelser med hög kapacitet och socioekonomiska egenskaper, beaktas också. Resultaten visar att storleken, typen av stadsutveckling och närheten till en högkapacitetsförbindelse är mycket inflytelserika faktorer när det gäller att bestämma värdet och forma den geografiska omfattningen av trängselimplikationerna, oavsett kategori. Dessutom har inkomst- och bilinnehavsnivåer i de nyutvecklade områdena en dubbel effekt på utformningen av nätverksomfattande trängselbidrag i termer av värde och geografisk spridning. Resultaten från Paper II kan införlivas i bedömningsramar för kollektivtrafikinvesteringar i samband med ny stadsutveckling. Slutligen kan resultaten hjälpa till att placera framtida stadsutveckling med hänsyn till de resulterande trängseleffekterna och därmed bidra till effektivare kollektivtrafiknät och städer.QC 20250318CAPA-CITY: Identifying capacity gaps to support urban and regional developmen