Tillämpad artificiell intelligens på Utexpo

A VLM-Based Robot to Teach a Children’s Game (Ayatori)

• Deltagare: Simon Naij.
  

Arbetet presenterar design och implementering av en robotlärare som är utvecklad för att lära användare Ayatori (japanska snörfigurer) genom en perception-resonemang-handling-arkitektur. För att realisera systemet integrerades en Baxter-robot med flera mjukvarukomponenter, däribland text-till-tal, automatisk taligenkänning och en visionsspråksmodell (VLM).
Syftet är att undersöka huruvida en visionsspråkmodell, i kombination med robotisk återkoppling, kan stödja steg-för-steg-instruktioner samt ge korrigeringar under en fysisk aktivitet som Ayatori. Resultatet visar att ytterligare optimering av visionsspråksmodellen krävs för att möjliggöra effektiv undervisning med robotläraren.

Automated Feature Extraction from Reinforcement Drawings for Machine Learning-Based Cost Estimation

• Deltagare: Adam Blombacke.
  
• Samarbetspartner: 7-Steel Service Sweden AB.

Korrekt prissättning av specialbeställda stålprodukter utförs i dag manuellt av erfarna kalkylatorer som arbetar utifrån svetsritningar. Processen är tidskrävande, inkonsekvent mellan olika medarbetare och leder till systematisk prisundersättning. Mitt examensarbete utvecklar en automatiserad pipeline som extraherar kostnadsrelevanta egenskaper direkt från armeringsritningar i PDF-format och använder dem för att träna regressionsmodeller för att prediktera svetsningskostnad. Funktionerna extraheras med hjälp av en kombination av Canny-kantdetektering, den probabilistiska Hough-transformen, och DBSCAN-klustring.

Bridging the Gap in Mental Health Literacy: Evaluating RAG Architectures for Scientific Research Communication

• Participant: Ines Jakovljevic.
  

As mental health disorders rise among youth, improving the general public’s ability to navigate health information is essential for ensuring timely support. This thesis investigated whether Retrieval-Augmented generation and Chain-of-Thought prompting can serve as effective methods for developing a conversational system aimed at improving mental health literacy. A multi-agent pipeline was implemented, comprising a retrieval agent and an answer-generation agent. Evaluation was conducted using a combination of automated metrics, including faithfulness, answer relevancy, and readability, as well as human evaluation. The results suggest that retrieval-augmented generation can effectively ground answers in domain-specific knowledge, achieving high faithfulness and minimising hallucinations. Chain-of-thought prompting improved the structure and transparency of responses. The findings also demonstrated that language models can adapt explanations to non-expert users, however, improving readability introduced a trade-off with faithfulness. In conclusion, the combination of retrieval-based grounding and structured prompting represents a promising approach for communicating scientific information to non-expert audiences. However, balancing accuracy, readability, and educational value remains a key challenge for future systems.

Context-Based Image Learning

• Deltagare: Melker Alesmark och Dominik Nagy.
  

Projektet undersöker ett alternativ till traditionella bildklassificeringssystem genom att utveckla en spårbar pipeline för strukturell bildrepresentation. I stället för att endast producera en slutlig klassificering bygger systemet upp ett explicit konceptbibliotek där lokala och hierarkiska bildmönster kan identifieras, återanvändas och analyseras över tid. Målet är att skapa en mer transparent och inspekterbar modell för visuell representation, där relationer mellan bildregioner och tidigare observationer kan följas och studeras.

Exploring Multi-Modal Fusion for Indoor Localisation

• Deltagare: Erik Bergkvist.
  

Projektet undersöker ett alternativ till traditionella bildklassificeringssystem genom att utveckla en spårbar pipeline för strukturell bildrepresentation. I stället för att endast producera en slutlig klassificering bygger systemet upp ett explicit konceptbibliotek där lokala och hierarkiska bildmönster kan identifieras, återanvändas och analyseras över tid. Målet är att skapa en mer transparent och inspekterbar modell för visuell representation, där relationer mellan bildregioner och tidigare observationer kan följas och studeras.

Getting Roasted: Sample-Based MPC for Coffee Roaster Trajectory Tracking

• Participants: Theodor Nikolaou and Victor Lafveskans Almgren.
• Collaboration partner: Science Brewing.

Coffee roasting requires precise temperature control for consistent results. The bean must follow a very specific time-temperature curve through distinct roasting phases – a task typically left to experienced operators, as the underlying dynamics are complex and hard to model.

This project explores whether machine learning models can serve as the predictive core of an automated roasting controller. Several model architectures are trained on simulated roast data and embedded in a Model Predictive Control loop, where the controller continuously samples thousands of possible actuator combinations and selects the one most likely to maintain a target roast profile.

The models are compared on how accurately they predict bean temperature, how well they track a reference roast in closed-loop simulation, and how fast they run – a key constraint for real-time control.

Machine Learning for Defect Detection in Graphene Honeycombs

• Participants: Emil Gabrielsson and Noel Wensmark.
  

Graphene is a two-dimensional material with exceptional mechanical, electrical, and thermal properties, but its performance is highly sensitive to structural defects that arise during production. This thesis investigated whether a machine learning model could determine the type, orientation, and position of structural defects in graphene from a small number of topological probe measurements – without directly observing the defect. Graphene was modelled as a graph, where carbon atoms are represented as nodes and bonds as edges, and four defect types were considered: single vacancy, double vacancy, Stone-Wales, and 555-777. The measurement signal exploited the fact that a perfect graphene lattice contains no odd-length cycles, whereas defects introduce locally odd-length cycles whose length increases with distance from the defect. A synthetic dataset of 100,000 samples was generated using an adaptive probing strategy that placed six probes per sample, guided by breadth-first search to estimate the defect location. A three-stage cascade of machine learning models was then trained to sequentially predict defect type, orientation, and position. The cascade achieved defect-type accuracy of 96.4 %, average orientation accuracy of 88.2 %, and a mean localisation distance of 0.283 lattice nodes. The results demonstrate that topological measurements alone carry sufficient information for accurate defect classification and localisation in graphene.

NILAS: Nuimio Intelligent Language Acquisition System

• Deltagare: Dennis Mitzeus.
  
• Samarbetspartner: Nuimio.

Sverige står inför stora utmaningar inom språkinlärning och integration. Många nyanlända och elever får inte det stöd de behöver för att utveckla starka kunskaper i svenska – något som påverkar både utbildning, arbete och möjligheten att delta fullt ut i samhället.

Tillsammans med det halländska startupbolaget Finition har en ny lösning på språkkrisen tagits fram. Företaget har utvecklat Nuimio – en prisvinnande språkplattform som uppmärksammats av Venture Cup:s IDEA Top20, Ung Företagsamhet Halland och Årets Unga Idé 2026 Powered by Företagarna.

Den nya komponenten NILAS (Nuimio Intelligent Language Acquisition System) kombinerar teori med praktik genom en ny AI-metod som kan skapa fullt personligt material, anpassat till varje användares språkkunskaper. NILAS kombinerar forskningsmetoder som Comprehensible Input med ett nytt sätt att generera personligt material som användaren inte bara förstår fullt ut, utan som även balanserar befintliga kunskaper med nya ord och begrepp. På så sätt maximeras resultaten samtidigt som studietiden minskar.

Är du lärare, lärarstudent, jobbar inom kommun eller är allmänt intresserad av språkinlärning?
Vi söker nu privatpersoner, lärare, och andra verksamheter som vill vara med i att utforska hur Nuimio och NILAS kan användas i klassrum, organisationer och vardagen. Kom gärna förbi och prata med oss om just vårt kommande pilotprojekt!