This master thesis project is focused on the development of an LQR controller and its comparison with other controllers (PID and MPC), in order to successfully control an Autonomous Underwater Vehicle manipulation system. The modelling of the manipulator was performed first in Matlab and later on in Simulink-Simscape. Once the manipulator was integrated with the AUV model, the LQR controller was also developed initially in Matlab and then in Simulink. The controller was then extracted from Simulink as a C-code and verified in Stonefish. After confirming that the LQR code was working in Stonefish, its results from Simulink were compared with PID and MPC results for two different trajectories. The data for comparison and statistical analysis were divided into the two trajectory scenarios (horizontal and vertical) since the weight matrices of both controllers were different. Looking at the system’s overall behavior the Model Predictive Control (MPC) and LQR had similar results, regarding the rise time, overshoot, steady-state error and robustness to disturbances. An anticipated fact for the MPC was that it takes the longest run time for both scenarios. Lastly, as expected the PID had the worst response of all three controllers, in both scenarios. Implementing a PID on a nonlinear system, produced many oscillations without being able to stabilize at the reference value, thus giving a large steady-state error. In addition, it could not counteract the noise disturbances in the signal. / Detta examensarbete är inriktat på utvecklingen av en LQR-styrenhet och dess jämförelse med andra kontroller (PID och MPC), för att framgångsrikt styra ett autonomt undervattensfordon-manipulationssystem. Modelleringen av manipulatorn utfördes först i Matlab och senare i Simulink-Simscape. När manipulatorn väl hade integrerats med AUV modellen, utvecklades LQR styrenheten också inledningsvis i Matlab och sedan i Simulink. Kontrollenheten extraherades sedan från Simulink som en C-kod och verifierades i Stonefish. Efter att ha bekräftat att LQR koden fungerade i Stonefish, jämfördes resultaten från Simulink med PID och MPC resultat för två olika banor. Data för jämförelse och statistisk analys delades in i de två bana-scenarierna (horisontella och vertikala), eftersom viktmatriserna för båda kontrollerna var olika. När man tittar på systemets övergripande beteende hade Model Predictive Controller (MPC) och LQR liknande resultat när det gäller stigningstid, överskott, steady-state fel och robusthet mot störningar. Ett förväntat faktum för MPC var att det tar den längsta körtiden för båda scenarierna. Slutligen, som väntat, hade PID det sämsta svaret av alla tre kontrollerna, i båda scenarierna. Implementering av ett PID på ett olinjärt system gav många oscillationer utan att kunna stabilisera sig vid referensvärdet, vilket gav ett stort steady-state fel. Dessutom kunde den inte motverka bullerstörningarna i signalen.