We review recent research into trajectory planning for autonomous overtaking to understand existing challenges. Then, the recently developed framework Learning Model Predictive Control (LMPC) is presented as a suitable method to iteratively improve an overtaking manoeuvre each time it is performed. We present recent extensions to the LMPC framework to make it applicable to overtaking. Furthermore, we also present two alternative modelling approaches with the intention of reducing computational complexity of the optimization problems solved by the controller. All proposed frameworks are built from scratch in Python3 and simulated for evaluation purposes. Optimization problems are modelled and solved using the Gurobi 9.0 Python API gurobipy. The results show that LMPC can be successfully applied to the overtaking problem, with improved performance at each iteration. However, the first proposed alternative modelling approach does not improve computational times as was the intention. The second one does but fails in other areas. / Vi går igenom ny forskning inom trajectory planning för autonom omkörning för att förstå de utmaningar som finns. Därefter föreslås ramverket Learning Model Predictive Control (LMPC) som en lämplig metod för att iterativt förbättra en omkörning vid varje utförande. Vi tar upp utvidgningar av LMPC-ramverket för att göra det applicerbart på omkörningsproblem. Dessutom presenterar vi också två alternativa modelleringar i syfte att minska optimeringsproblemens komplexitet. Alla tre angreppssätt har byggts från grunden i Python3 och simulerats i utvärderingssyfte. Optimeringsproblem har modellerats och lösts med programvaran Gurobi 9.0s python-API gurobipy. Resultaten visar att LMPC kan tillämpas framgångsrikt på omkörningsproblem, med förbättrat utförande vid varje iteration. Den första alternativa modelleringen minskar inte beräkningstiden vilket var dess syfte. Det gör däremot den andra alternativa modelleringen som dock fungerar sämre i andra avseenden.​