Dataingenjör på Utexpo

ASCON-CXOF Acceleration on Xilinx Alveo U280 for V2X-Oriented Systems

• Participant: Obada Khalaf.

This thesis investigates the hardware implementation of ASCON-CXOF128, the NIST lightweight cryptography standard, using FPGA technology for secure and efficient communication in IoT and V2X systems. The work focuses on lightweight hardware design, streaming cryptographic processing and FPGA-based performance evaluation.

Container Management Framework for WebAssembly-Based Embedded Systems

• Participant: Alexander Bosic.
  
• Collaborator: HMS Networks.

This project presents a lightweight container management system for embedded devices using WebAssembly (Wasm) and the WebAssembly Micro Runtime (WAMR). Traditional solutions like Docker are often too heavy for resource-constrained systems, so this approach uses Wasm to improve efficiency while also adding full container lifecycle management, which is missing in many existing Wasm tools.

The system was tested on Ubuntu 22.04 (1 vCPU, 1 GB RAM) over 50 runs, measuring startup time and memory usage under workloads as a so called “hello world” programme and an infinite loop. Results show consistent performance, with low variation in startup time and memory usage staying below 15 MB (megabyte) per container, including runtime overhead, a 1 MB heap and a 64 KB (kilobyte) stack. Startup time was independent of workload duration.

The project meets its goal of providing a fast, isolated and lightweight container environment with a command-line interface for management. Future work includes testing on embedded hardware like Raspberry Pi, adding networking and inter-container communication, enforcing resource limits and supporting OCI-compatible images. The results demonstrate that WebAssembly-based containers are a practical and efficient solution for embedded Linux systems.

Coordinated Multi-Drone Pattern Formation with Crazyflies and Lighthouse Positioning System-Demonstrated in a Fire-Detection Case Study

• Participants: Adrian Ahmadi and Hadis Noori.

This project is about controlling several Crazyflie Brushless drones to fly together in different formations. The system can create three formations: square, circle and spiral. The drones can also safely change between these formations during flight.

The project uses Crazyflie drones, Lighthouse positioning, Crazyradio, ROS 2, Crazyswarm2, AI-deck camera and YOLO. Lighthouse provides the drones’ indoor position, Crazyradio handles communication, and ROS 2 connects all parts of the system via different nodes. A graphical user interface was also created so the user can select formations and control the drones more easily.

The formation manager is the main control node. It receives commands from the GUI, receives target positions from formation nodes, checks safety, and sends movement commands such as takeoff, go-to, and landing. Safety is important because several drones fly in a small area, and the system checks distances between drones and uses safe transition and landing strategies.

A fire-detection case study was also included. One drone uses an AI-deck camera to stream images to a ground computer. The fire detector uses a YOLO model to detect possible fire. In the experiment, LEDs were used instead of real fire for safety. When fire is detected, a fire alert is sent and the drones move into a response formation around the detected area.

Development of a Mission Planning System for Autonomous Surface Drones

• Deltagare: Joel Andersson och Gustaf Nordström.
• Samarbetspartner: Aquality.

Mission Planner är ett skrivbordsprogram för att planera autonoma uppdrag för obemannade fordon, men kräver lokal installation och fungerar fristående från befintliga plattformar. Det här examensarbetet presenterar ett webbaserat uppdragsplaneringsgränssnitt för Aqualitys autonoma ytfordon, integrerat direkt i deras befintliga plattform utan behov av separat installation.

Systemet erbjuder interaktiv kartbaserad uppdragsplanering med stöd för manuell placering av waypoints och automatisk generering av täckningsrutter som undviker definierade förbudsområden. Kommunikationen med fordonets autopilot möjliggör uppladdning av uppdrag, styrning av driftläge, aktivering av motor samt visning av realtidsdata. Uppdrag kan sparas, laddas, redigeras och raderas direkt i systemet.

Systemet validerades genom simulering, bänktestning och fälttestning i en dagvattendamm i Halmstad. Gränssnittet uppnådde funktionell paritet med Mission Planner och eliminerade behovet av att växla mellan separata system för uppdragsplanering och dataanalys.

Drone-Based Object Detection and Tracking with the Crazyflie Quadcopter

• Deltagare: Oliver Skrzyniarz and Tomas Jonsson.
  
• Samarbetspartner: Bitcraze.

Det här examensarbetet handlar om ett lättviktigt realtidsystem för objektdetektering och spårning på nano-drönaren Crazyflie. Utmaningen var att få en resursbegränsad drönare att identifiera och följa objekt i realtid.

Lösningen använder en hybrid-edge-offboard-arkitektur där drönaren kör ett modifierat firmware som strömmar bilder via wifi med låg latens. På host-datorn hanterades bildmottagning, objektdetektering och spårning med multiprocessing. En YOLO26n-modell tränades på ett samlat dataset från olika miljöer.

Projektet visar att det är möjligt att köra avancerade datorseende algoritmer på resursbegränsade drönare. Det öppnar upp möjligheten till sök- och räddningsinsatser samt övervakning i mindre utrymmen där större drönare inte kan användas.

Fingerprinting Drivers by Applying Machine Learning on Raw CAN Bus Telemetry Data

• Deltagare: Noel Nilsson and Albin Svahn.
  

Controller Area Network (CAN) är en central del av moderna fordon, eftersom den möjliggör kommunikation mellan olika elektroniska styrenheter (ECU:er) i fordonet. Kommunikation som sker genom denna buss kan samlas in genom On-Board Diagnostics II-förfrågningar (OBD-II) eller genom att fånga in all ofiltrerad och kodad kommunikationsdata i bussen, vilket benämns som rå CAN-data. Tidigare studier har visat att denna data kan användas för att identifiera förare genom att tillämpa maskininlärning. Majoriteten av tidigare arbeten inom det här området har använt dataset insamlade genom OBD-II-metoden, vilket ger tolkningsbara värden såsom motorvarvtal, men nackdelen är att de är begränsade till den information som protokollet tillhandahåller. Såvitt vi vet har ingen tidigare studie genomfört föraridentifiering med hjälp av ett offentligt tillgängligt dataset innehållande ofiltrerad CAN-data. Ett nytt dataset som publicerades i november 2025 adresserar begränsningar i tidigare dataset. I det här arbeter tillämpas en Random Forest-modell (RF) samt en Long Short-Term Memory-modell (LSTM) på detta dataset för att klassificera förare. Resultaten visar att förare kan identifieras med hög noggrannhet – upp till 97.92 % för RF och 98.81 % för LSTM. Resultaten indikerar på att rå CAN-data är väl lämpad för föraridentifiering, och diskussionen utvärderar vilka datasetegenskaper som är viktiga för att identifiera förare, vilket ger insikter för framtida arbete.

Kamerabaserad bildanalys av fodertillgänglighet i stallmiljö

• Deltagare: Nelly Henriksson.

I modern mjölkproduktion är kontinuerlig tillgång till foder avgörande för djurvälfärd och produktivitet. Utan teknisk övervakning krävs att personalen manuellt kontrollerar fodernivåerna regelbundet, vilket är tidskrävande och erfarenhetsberoende.

Det här projektet undersöker hur kamerabaserad bildanalys kan användas för att automatisera övervakningen. En mobilkamera monterades på en bandfoderfördelare och fotograferade foderbordet en gång per sekund under körning. Totalt samlades 5 687 bilder in. Bilderna analyserades med feature-baserad maskininlärning utan djupsensorer eller 3D-rekonstruktion. Foderuppskattning gjordes med Histogram Gradient Boosting-regression och identifiering av kor gjordes med Random Forest-klassificering.

Kodetektionen uppfyllde kravet på max 5 % med en felprocent på 4,4 %. Foderuppskattningen uppnådde ett genomsnittligt fel på 5,1 % utan konärvaro och 9,8 % vid uppskattning trots konärvaro efter filtrering av kobilder, men klarar inte kravet på max 10 % avvikelse konsekvent för samtliga körningar. Resultaten visar att metoden har potential för automatiserad foderövervakning i stallmiljö.

mmWave FMCW Radar-Based Detection and Tracking of Rotary-Wing Drones

• Participant: Viktor Jange.
  
• Collaboration partner: Swedish Armed Forces Technical School.

The increasing availability of small commercial drones poses a growing threat to critical infrastructure and restricted areas. This project investigates the use of a millimetre-wave (mmWave) Frequency-Modulated Continuous-Wave (FMCW) Radar to detect and classify small rotary-wing drones at short range, using affordable, portable hardware.

A prototype system was built using the Texas Instruments AWR1843BOOST radar sensor and a Raspberry Pi 5. A key finding was that conventional CFAR detection fails for hovering drones because the zero-Doppler clutter-removal filter suppresses their returns. A custom range profile detector was developed to address this, operating on pre-Doppler data and tracking persistent energy peaks across frames. Classification is performed through micro-Doppler analysis of propeller signatures using spectral features such as peakiness and entropy.

The system achieved 100 % detection at 2 meters and 85.9 % at 4 meters, with classification recall of 79.9–91.3 % and 100 % precision in drone-only scenarios. The effective detection range is approximately 6 meters. The main limitation is a 63 % false-positive rate against walking people, indicating that threshold-based classification is insufficient, and that future work should adopt machine learning methods.

Multi-Purpose Drone Surveillance and Monitoring System

• Deltagare: Bran De Wachter och Hjalmar Börjesson.

Det här examensarbetet undersöker om två kamerautrustade drönare kan koordinera för att autonomt övervaka ett användarspecifikt föremål. Scenarier som sök- och räddningsuppdrag eller dokumentation av brottsplatser kräver både en närbild av det intressanta objektet och en överblick över hela scenen. Med detta som utgångspunkt designades och implementerades ett drönarsystem med två drönare där en närbildsdrönare söker efter och spårar objektet, medan en överblicksdrönare följer närbildsdrönaren för att fånga hela scenen. Systemet utvecklades först i simulatorn Gazebo med hjälp av Robot Operating System 2 för att sedan portas till verklig hårdvara i form av Crazyflie 2.1 Brushless-drönare. Objektdetekteringen utfördes med YOLO26 Nano från Ultralytics. Omskrivande rektanglar från objektdetekteringen översattes till flygkommandon av tre oberoende PID-regulatorer, som styrde drönarnas girvinkel, höjd och hastighet framåt.

Vehicle Manoeuvre Detection Using Time Series Subsequence Clustering

• Deltagare: Xhevat Januzi.

 Examensarbetet adresserar utmaningen att analysera oetiketterade telemetridata från tunga fordon. I dag saknas automatiserade metoder för att segmentera fordonsmanövrar utan manuell annotering, eftersom traditionella tröskelvärden ofta misslyckas på grund av sensorbrus och förarens små korrigeringar. Projektet presenterar en maskininlärningspipeline som använder så kallade virtuella sensorer för att beräkna girkraft och lateral acceleration utifrån GPS-koordinater och hastighet. Genom att tillämpa en optimerad CUSUM-algoritm (Cumulative Sum) identifieras exakta tidsgränser för manövrar genom att detektera statistiska avvikelser i realtid. Resultaten visar att den optimerade CUSUM-metoden sänker antalet falska positiva segmenteringar från 3 280 till 111. Med en precision på 96,7 % och en F1-score på 89,2 % kan systemet tillförlitligt skilja mellan manövrar och brus. Den totala klassificeringsnoggrannheten uppgick till 80,9 %. Lösningen möjliggör kostnadseffektiv analys av körbeteende, vilket kan användas för att optimera rutter, främja miljöeffektiv körning (eco-driving) och öka trafiksäkerheten.