Examensarbeten på grundnivå

Länka till denna samling:

https://odr.chalmers.se/handle/20.500.12380/31

Browse

Senast publicerade

Visar 1 - 5 av 252
  • Bild (thumbnail)
    Post
    Adoption of Robot Framework for Software Download testing - Development of tool for Testing Software Downloads and Diagnostics in Automotive Electronic Control Units
    (2024) Bjersander, Henning; Chalmers tekniska högskola / Institutionen för data och informationsteknik; Chalmers University of Technology / Department of Computer Science and Engineering; Smallbone, Nicholas; Krook, Robert
    This degree project had the goal to improve the test reports and test case creation in the software download pod, which is a test environment designed to be able to execute various diagnostic tests without requiring expensive or complex hardware. One of the primary objectives was to allow for the creation of html-formatted reports for better visualization in the development flow. This was done by moving the test setup from a hard-coded python script to using Robot Framework. The project, also called the Robot Controller, was completed to allow for easy triggering by the build server and two test cases covering the main abilities of the environment were created.
  • Bild (thumbnail)
    Post
    Hand gesture recognition in real time - Fast, accurate hand gesture recognition of static and dynamic hand gestures for on device classification
    (2024) Björklund, Jimmy; Chalmers tekniska högskola / Institutionen för data och informationsteknik; Chalmers University of Technology / Department of Computer Science and Engineering; Almström Duregård, Jonas; Krook, Robert
    Human machine interaction (HMI) is an important part of the entertainment industry in that it allows developers to create an engaging experience. However when it comes to contactless interaction through hand gestures, it still remains a challenge to develop algorithms that are both accurate and fast enough to run in real-time on device [1]. In this report, this challenge have been explored using MediaPipe hand landmark detector as a feature extraction algorithm coupled with different classifiers trained to recognize both static and dynamic hand gestures. Result show the application can run both in real-time, and achieve relatively high accuracy of 88.1% for dynamic hand gestures and 93.1% on static hand gestures on large scale datasets. Furthermore, fine-tuning the dynamic hand gesture recognition algorithm to a specific user, was shown to improve the accuracy to 97.5%.
  • Bild (thumbnail)
    Post
    LatPlan - Utforskande av element i en kalenderapplikation för ökad användbarhet
    (2024) Johansson, Emil; Bergdahl, Sebastian; Chalmers tekniska högskola / Institutionen för data och informationsteknik; Chalmers University of Technology / Department of Computer Science and Engineering; Duregård, Jonas; Jansson, Patrik
    Digitala kalenderapplikationer används idag av en stor del av befolkningen men har brister som förhindrar vissa grupper från att utnyttja dess fördelar. Projektet syftar till att konstruera en grundläggande kalenderapplikation, LatPlan, i syfte att testa funktioner som ökar mobila kalenderapplikationers användbarhet. LatPlan konstrueras med den funktionalitet som krävs för att schemalägga en kalender. Därefter implementeras flera olika användbarhetsökande funktioner inom tre kategorier. För att utvärdera användbarheten av de implementerade funktionerna utförs en undersökning med hjälp av testare. Undersökningen är baserad på Nielsens heuristiska principer. Principerna är utvecklade utifrån behovet av att jämföra användbarheten mellan olika lösningar Med hjälp av resultaten från undersökningen utvärderas lösningar gentemot andra inom samma kategori. Därefter presenteras de lösningar som anses bäst inom respektive kategori, samt i vilken utsträckning de anses öka användbarheten vid användandet av digitala kalendrar.
  • Bild (thumbnail)
    Post
    Development and User Testing of an Academic Scheduling App for University Students
    (2024) ANDERSSON, SIMON; KARLSSON, ERIK; Chalmers tekniska högskola / Institutionen för data och informationsteknik; Chalmers University of Technology / Department of Computer Science and Engineering; Svensson, Lars; Duregård, Jonas
    This project describes the development and user testing of a mobile application designed to assist university students in managing their academic schedules. The app, built using React-Native for cross-platform compatibility and NodeJS for backend efficiency, integrates the Canvas LMS API and a web scraper for TimeEdit to retrieve essential data. User feedback was collected through a series of tests, starting with Figma prototypes and progressing to an emulator and real-time devices. The key findings highlighted the app’s clean design and intuitive interface, with the calendar feature being particularly well-received. Final user engagement scores ranged from 7/10 to 8/10, indicating strong approval of the app’s concept and design. Areas for enhancement included customizable schedule options and the ability to import personal calendars. Despite challenges such as undetected bugs and the limitations of web scraping, the project successfully created a functional, user-friendly app. This report emphasizes the importance of continuous user involvement and iterative testing in developing effective educational tools. Future research should focus on improving data integration methods, expanding the sample size for user testing, and exploring advanced algorithms for personalized study plans.
  • Bild (thumbnail)
    Post
    Utvärdering av AI-detektorer för att identifiera AI-genererade lösningsförslag på programmerings problem
    (2024) Al-Saedi, Shahad; Chalmers tekniska högskola / Institutionen för data och informationsteknik; Chalmers University of Technology / Department of Computer Science and Engineering; Duregård, Jonas; Norell, Ulf
    Denna studie utvärderar effektiviteten hos AI-detekteringsprogram för att identifiera AI-genererad kod, specifikt från ChatGPT. Genom en systematisk litteratursökning och urval baserat på popularitet testades tre AI-detekteringsprogram—Contentdetector, Plagiarismdetector och Copyleaks—med hjälp av gamla tentamensfrågor och lösningar från kursen Objektorienterad programmering i Java vid Chalmers tekniska högskola. De AI-genererade lösningarna jämfördes med faktiska tentamenslösningar för att bedöma detektionsnoggrannheten över olika språk och textlängder. Resultaten visar betydande variationer i programmets förmåga att detektera AI-genererad kod, vilket belyser begränsningarna och potentiella felaktigheter hos nuvarande AIdetekteringstekniker. Studien framhäver behovet av förbättrade verktyg och strategier för att säkerställa akademisk integritet i en tid av snabb AI-utveckling