Detta dokument beskriver ett kandidatexamensarbete som har genomförts av sju civilingenjörsstudenter från Tekniska högskolan vid Linköpings universitet. Syftet med arbetet var att utveckla en smart inpasseringslösning för företaget Zoezi AB och deras produkt Gymsystem. Systemet skulle dels bestå av en enkortsdator som styr ett lås och kommunicerar med Gymsystems servrar samt en mobilapplikation som kommunicerar med denna enkortsdator. Den första delen av detta dokument beskriver hur utvecklingen av detta system gick till, hur väl de krav som ställts har uppfyllts samt gruppens gemensamma erfarenheter från att utveckla mjukvara i ett större projekt. Rapporten beskriver hur en sådan lösning kan implementeras så att den skapar värde för kunden, vilka erfarenheter som kan vara intressanta för framtida projekt, vilket stöd en systemanatomi kan ge, hur Arduinoplattformen kan användas för hårdvaruprototyper, vilket stöd Extreme Programming kan ge, samt hur fördelningen av hållbarhetsdimensioner i ett sådant projekt kan se ut. Följande slutsatser kan dras utifrån projektet: Det implementerade systemet som beskrivs i rapporten skapar värde för kunden. Agila utvecklingsmetoder rekommenderas varmt inför framtida projekt. En systemanatomi ger bra stöd vid aktivitetsformulering. Arduinoplattformen är en bra plattform för hårdvaruprototyper men innebär vissa prestandabegränsningar. Extreme Programming ger bra stöd för en sådan projektgrupp som beskrivs i rapporten. Slutligen kan en skev fördelning av hållbarhetsdimensioner förväntas om dessa inte behandlas medvetet i projektets tidigare faser. Dokumentet senare del består av ett antal bilagor som innehåller individuella utredningar skrivna av gruppens medlemmar. Dessa bilagor utreder olika ämnen som i någon form har anknytning till antingen arbetet i detta projekt eller till mjukvaruprojekt i allmänhet.

Understanding road surface conditions is an important component in active vehicle safety. Estimations can be achieved through image classification using increasingly popular convolutional neural networks (CNNs). In this paper, we explore the effects of multi-task learning by creating CNNs capable of simultaneously performing the two tasks road surface condition classification (RSCC) and road scene semantic segmentation (RSSS). A multi-task network, containing a shared feature extractor (VGG16, ResNet-18, ResNet-101) and two taskspecific network branches, is built and trained using the Road-Conditions and Cityscapes datasets. We reveal that utilizing task-dependent homoscedastic uncertainty in the learning process improvesmulti-task model performance on both tasks. When performing task adaptation, using a small set of additional data labeled with semantic information, we gain considerable RSCC improvements on complex models. Furthermore, we demonstrate increased model generalizability in multi-task models, with up to 12% higher F1-score compared to single-task models.