Examensarbete: En maskininlärningsbaserad metod för positionering av luftvärnsenheter i högupplösta terrängkartorVad du blir en del avDin framtida utmaningDin roll i Karlskoga

En Maskininlärningsbaserad Metod för Positionering av Luftvärnsenheter i Högupplösta Terrängkartor (30 hp)

Dynamics, ett affärsområde inom Saab som erbjuder understödsvapen, missiler, torpeder, sensorer, obemannade undervattensfarkoster och kamouflagesystem för försvarsmarknaden. Produktportföljen innefattar även produkter för den civila säkerhetsmarknaden såsom fjärrstyrda undervattensfarkoster till oljeindustrin och kärnkraftverk.
 

Då luftvärnet skall försvara ett skyddsobjekt krävs välgenomtänkt planering för att erhålla en så god försvarsförmåga som möjligt. Planeringen innebär en samtidig optimering av ett flertal av olikartade enheter, typ eldverkansenheter, radarenheter och sensorer. Optimeringen skall utöver enheternas täckning även ta hänsyn till, bl.a., omgivningens utseende, d.v.s. terrängen. Utöver problemets komplexa karaktär så skall optimeringen ske i stora och högupplösta kartor, vilket gör optimeringen särskilt beräkningsmässigt tung och i sin tur tidskrävande.

Maskininlärningsbaserade tekniker, som deep learning, tillåter tidsåtgången att lämnas till träningsfasen varvid en algoritm kan arbeta förhållandevis snabbt under inferens. Det är därmed av intresse att utforska huruvida maskininlärning kan används för att lösa försvarsanalysen, vilket detta exjobb åsyftar att göra.

För att generera expertdemonstratordata för ett neuralt nätverk att träna på, kommer, inom omfånget av detta exjobb, användas en tidigare utvecklad genetisk algoritm. Det tränade neurala nätverkets prestanda ska sedan evalueras på en liknande metrik som den tidigare nämnda genetiska algoritmen, för att evaluera hur bra en implementering av denna natur kan göras.

En implementering som inkluderar ett neuralt nätverk som kan generera positioner för ett förbestämt antal enheter, givet en metrik. Implementeringen skall vara i nivå med ett proof of concept.

Följande punkter kan vara bra att under arbetet ta i särskild beaktning:

Vilka drag (features) är lämpliga, typ feature engineering, för att erhålla en god avbildning? Hur presterar den framtagna implementeringen (nätverket) i förhållande till den genetiska algoritmen? Använd en kongruent metrik, som lämpligen innefattar beräkningstid och terrängkartsstorlek, för jämförelse. Vad är framtidsutsikten för detta tillvägagångssätt? Vidarestudie: Hur skulle ett nätverk som också bestämmer en lämplig konfiguration av enheter kunna modelleras?
 

Ni är 1-2 stycken som läser teknisk fysik, teknisk matematik, robotik, eller datavetenskap med AI-specialisering, och har ett intresse för AI och maskininlärning. Tidigare erfarenhet av maskininlärning är förmånligt men inte ett krav.

Detta examensarbete ingår i ett projekt som utförs i sammarbete mellan Saab Dynamics i Karlskoga och Saab Surveillance i Göteborg. Placering av tjänst är i Karlskoga.

Sista ansökningsdag

2019-11-30. Vänligen observera att vi jobbar med löpande urval.

Kontaktperson

Mattias Helsing, Chef

0734 461989

 If you aspire to help create and innovate whilst developing yourself in a challenging team setting, Saab may well have the perfect conditions for you to grow. We pride ourselves on a nurturing environment, where everyone is different yet we share the same goal – to help protect people.