Today the majority of the driver assistance systems are rule-basedcontrol systems that help the driver control the truck. But driversare looking for something more personal and exible that can controlthe truck in a human way with their own preferences. Machine learningand articial intelligence can help achieve this aim. In this studyArticial Neural Networks are used to model the driver steering behaviourin the Scania Lane Keeping Assist. Based on this, trajectoryplanning and steering wheel torque response are modelled to t thedriver preference. A model predictive controller can be used to maintainstate limitations and to weigh the two modelled driver preferencestogether. Due to the diculties in obtaining an internal plant modelfor the model predictive controller a variant of a PI-controller is addedfor integral action instead. The articial neural network also containsan online learning feature to further customize the t to the driverpreference over time. / Idag används till största del regelbaserade reglersystem förförarassistanssystem i lastbilar. Men lastbilschaufförer vill ha någotmer personligt och flexibelt, som kan styra lastbilen på ett mänskligtsätt med förarens egna preferenser. Maskininlärning och artificiell intelligenskan hjälpa till för att uppnå detta mål. I denna studie användsartificiella neurala nätverk för att modellera förarens styrbeteende genomScania Lane Keeping Assist. Med användning av detta modellerasförarens preferenser med avseende på placering på vägbanan och momentpåslag på ratten. En modell prediktiv kontroller kan användas föratt begränsa tillstånd och för att väga de två modellerade preferensernamot varann. Eftersom det var mycket svårt att ta fram den internaprocessmodellen som krävdes för regulatorn används istället en variantav en PI-kontroller för att styra lastbilen. De artificiella neuralanätverken kan också tillåtas att lära sig under körning för att anpassasig till förarens preferenser över tid.

The automotive industry has been actively seeking ways to reduce emissions and combat global warming. While pure battery electric vehicles have shown promise in achieving zero-tailpipe emissions, they face challenges in meeting the energy demands of large construction machines like excavators and wheel loaders, due to the heavy batteries required. To overcome this issue, Fuel Cell Hybrid Electric Vehicles (FCHEV) have emerged as a potential solution. However, efficient energy management systems are crucial for FCHEV, as fuel cells are slow-reacting devices and construction machines operate with highly transient work cycles. This thesis addresses the need for an effective energy management strategy by developing a controller and machine load predictor for an FCHEV. The proposed approach utilizes Model Predictive Control (MPC) to minimize an objective function encompassing hydrogen consumption and rate constraints. The controller determines the optimal power split between the fuel cell and battery over a specific time-horizon, ensuring power demand is met while adhering to system constraints. Additionally, an auto-correlation-based machine load predictor is integrated with the controller to optimize the power split between the battery and fuel cell. By implementing the MPC combined with the auto-correlation-based load predictor, the FCHEV effectively utilizes a narrower battery State of Charge (SoC) window, potentially reducing the required battery size in the machine. Moreover, the strategy reduces transients in fuel cell power, slowing down degradation and enhancing its lifetime, in comparison to Volvo Construction Equipment AB’s (Volvo CE) previous real-time power-split function. This research contributes to the development of energy-efficient solutions for large construction machines, particularly in the context of FCHEV. The proposed energy management strategy utilizing MPC and load prediction techniques holds promise for improving overall system performance, reducing hydrogen consumption, and limiting the degradation of fuel cell and battery components. / Bilindustrin har sedan länge sökt sätt att minska utsläppen och bekämpa den globala uppvärmningen. Även om rent batteridrivna elektriska fordon är i princip avgasfria, så är det utmananade att möta energikraven för stora byggmaskiner som grävmaskiner och hjullastare med endast batterier. För att övervinna detta problem har bränslecell-hybrid-elektriska fordon (FCHEV från engelskans Fuel-cell hybrid electrical vehicle) identifierats som en potentiell lösning. Dock är effektiva energihanteringssystem avgörande för FCHEV, eftersom bränsleceller reagerar långsamt och byggmaskiner arbetar med snabbt varierande arbetscykler. Detta examensarbete försöker att möta behovet av en effektiv energihanteringsstrategi genom att utveckla en styrenhet och maskinbelastningsprognos för en FCHEV. Det föreslagna tillvägagångssättet använder modellprediktiv reglering (MPC) för att minimera en målfunktion som ta hänsyn till både vätekonsumtion och hastighetsbegränsningar. Styrenheten bestämmer den optimala effektfördelningen mellan bränslecellen och batteriet över en specifik tidshorisont, och säkerställer att effektkravet uppfylls samtidigt som systembegränsningarna följs. Dessutom integreras en auto-korrelationsbaserad maskinbelastningsprediktor med styrenheten för att optimera effektfördelningen mellan batteriet och bränslecellen. Genom att implementera MPC i kombination med den auto-korrelationsbaserade belastningsprognosen, använder FCHEV effektivt ett smalare fönster för batterets laddningstillstånd (SoC), vilket potentiellt minskar den nödvändiga batteristorleken i maskinen. Dessutom minskar strategin transienter i bränslecellseffekten och förbättrar dess livstid, jämfört med Volvo Construction Equipment AB:s (Volvo CE) tidigare lösning. Denna forskning bidrar till utvecklingen av energieffektiva lösningar för stora byggmaskiner, särskilt i sammanhanget FCHEV. Den föreslagna energihanteringsstrategin, med sin kombination av MPC och belastningsprediktionstekniker, har en potential att förbättra den totala systemprestandan, minska vätekonsumtionen och begränsa försämringen av bränslecell- och batterikomponenter.

Autonomous Driving Systems (ADS), a subcategory of Cyber-Physical Systems (CPS) are becoming increasingly popular with ubiquitous deployment. They provide advanced operational functions for perception and control, but this also raises the question of their safety capability. Such questions include if the vehicle can stay within its lane, keep a safe distance from the leading vehicle, or avoid obstacles, especially under the presence of uncertainties. In this master thesis, the operational safety of ADS will be addressed, more specifically on the Adaptive Cruise Control (ACC) system by modeling an optimal control problem based on Control Barrier Function (CBF) unified with Model Predictive Control (MPC). The corresponding optimal control problem is robust against measurement uncertainties for an Autonomous Vehicle (AV) driving on a highway, where the measurement uncertainties will represent the common faults in the perception system of the AV. A Kalman Filter (KF) is also added to the system to investigate the performance difference. The resulting framework is implemented and evaluated on a simulation scenario created in the open-source autonomous driving simulator CARLA. Simulations show that MPC-CBF is indeed robust against measurement uncertainties for well-selected horizon and slack variable values. The simulations also show that adding a KF improves the overall performance. The higher the horizon, the more confident the system becomes as the distance to the leading vehicle decreases. However, this may cause infeasibility where there are no solutions to the optimal control problem during sudden braking as the AV cannot brake fast enough before it crashes. Meanwhile, the smaller the slack variable, the more restrictive becomes CBF where it impacts more on the control input than desired which could also cause infeasibility. The results of this thesis will help to facilitate safety-critical CPS development to be deployed in real-world applications. / Autonoma körsystem (ADS), som är en del av cyberfysiska system (CPS), har blivit alltmer populär med allestädes närvarande användning. Det bidra med avancerade operativa funktioner för perception och styrning, men samtidig väcker detta också frågan om dess säkerhetsförmåga. Sådana frågor inkluderar om fordonet kan hålla sig inom sitt körfält, om det kan hålla ett säkert avstånd till det ledande fordonet eller om det kan undvika hinder, speciellt under osäkerheter hos systemet. I detta examensarbete kommer driftsäkerheten hos ADS att behandlas, mer specifik på adaptiv farthållare (ACC) genom att modellera ett optimalt kontrollproblem baserat på kontrollbarriärfunktion (CBF) förenat med modellförutsägande styrning (MPC). Motsvarande optimalt kontrollproblem är robust mot mätosäkerheter för ett autonomt fordon som kör på en motorväg, där mätosäkerheterna representerar vanliga fel i AV:s perceptionssystem. Ett Kalmanfilter (KF) läggs också till i systemet för att undersöka skillnaden i prestanda. Det resulterande ramverket implementeras och utvärderas på ett simuleringsscenario som skapats i den öppna källkodssimulatorn för autonom körning CARLA. Simulationer visar att MPC-CBF är robust mot mätosäkerheter för väl valda värden för horisont och slackvariabler. Det visar också att systemets prestanda förbättrats ännu mer om ett KF läggs till. Ju större horisont, desto mer självsäkert blir systemet när avståndet till det ledande fordonet minskar. Detta kan dock leda till att det inte finns några lösningar på det optimala kontrollproblemet vid plötslig inbromsning, eftersom fordonet inte hinner bromsa tillräckligt snabbt innan det kraschar. Ju mindre slackvariabeln är, desto mer restriktiv blir CBF som påverkar styrningen mer än vad som är önskvärt vilket också kan leda till olösbart optimalt kontrollproblem. Resultatet från detta examensarbete bär syftet att gynna utvecklingen av säkerhetkritisk CPS som ska användas i praktiska tillämpningar.

Energy storage systems with many Lithium Ion battery cells per string require sophisticated balancing hardware due to individual cells having manufacturing inconsistencies, different self discharge rates, internal resistances and temperature variations. For capacity maximization, safe operation, and extended lifetime, battery balancing is required. Redistributive Non-Dissipative balancing further improves the pack capacity and efficiency over a Dissipative approach where energy is wasted as heat across shunt resistors. Redistribution techniques dynamically shuttle charge to and from weak cells during operation such that all of the stored energy in the stack is utilized. This thesis identifies and develops different balancing control methods. These methods include a unconstrained optimization problem using a Linear Quadratic Regulator (LQR) and a constrained optimization problem using Model Predictive Control (MPC). These methods are benchmarked against traditional rule based (RB) balancing. The control systems are developed using MATLAB/Simulink and validated experimentally on a multiple transformer individual cell to stack topology. The implementation uses a DC2100A Demo-board from Linear Technology with bi-directional flyback converters to transfer the energy between the cells. The results of this thesis show that the MPC control method has the highest balancing efficiency and minimum balancing time. / Thesis / Master of Applied Science (MASc)

Robotics is an interdisciplinary field that integrates computer science, electrical engineering, mechanical engineering, control engineering and other related fields. As the quick development of these fields, people have been building more complex robots with more advanced control strategies in order to solve more challenging tasks. In addition, it is always a target for researchers to achieve autonomous operation of robots so that the manpower can be saved and the robot can work in harsh environment like on Mars. In this project, I focus on the trajectory planning problem of a unicycle model running in 2D environment. I choose Path Integral Policy Improvement (PI2) control algorithm in this project as the main study object. And Model Predictive Control (MPC) is chosen as a reference in order to be compared with PI2 to evaluate the performance of PI2. In order to simulate the tasks that the robot needs to handle in practice, I use obstacles to represent the complex environment and I use Signal Temporal Logic (STL) to represent the complex tasks. Furthermore, I also incorporate the deep dynamics model in the project so that the the method put forward in this project is able to handle complex robot models and complex working environments. To evaluate the performances of PI2 and MPC, five criteria are put forward in this project. Finally, based on the evaluation results, possible improvement and future research are proposed. / Robotics är ett tvärvetenskapligt område som integrerar datavetenskap, elektroteknik, maskinteknik, styrteknik och andra relaterade områden. Som den snabba utvecklingen av dessa fält har människor byggt mer komplexa robotar med mer avancerade kontrollstrategier för att lösa mer utmanande uppgifter. Dessutom är det alltid ett mål för forskare att uppnå autonom drift av robotar så att arbetskraften kan sparas och roboten kan arbeta i tuffa miljöer som på Mars. I det här projektet fokuserar jag på banplaneringsproblemet för en enhjulingsmodell som körs i 2D-miljö. Jag väljer Path Integral Policy Improvement (PI2) kontrollalgoritm i detta projekt som huvudstudieobjekt. Och Model Predictive Control (MPC) väljs som referens för att kunna jämföras med PI2 för att utvärdera prestandan för PI2. För att simulera de uppgifter som roboten behöver hantera i praktiken använder jag hinder för att representera den komplexa miljön och jag använder Signal Temporal Logic (STL) för att representera de komplexa uppgifterna. Dessutom införlivar jag också den djupa dynamikmodellen i projektet så att metoden som läggs fram i detta projekt kan hantera komplexa robotmodeller och komplexa arbetsmiljöer. För att utvärdera prestanda för PI2 och MPC presenteras fem kriterier i detta projekt. Slutligen, baserat på utvärderingsresultaten, föreslås möjliga förbättringar och framtida forskning.

[pt] Os avanços da Robótica nas últimas décadas permitem um aumento nas gamas de aplicações de manipuladores robóticos em diversos setores da indústria. Isto, impacta diretamente a interação Homem-Robô (HRI), resultando em um aumento de tarefas que requerem compartilhamento de ambiente de trabalho, desempenho de segurança e a habilidade de detecção de contato do manipulador robótico. Consequentemente, métodos de controle capazes de prever contato, controlar força ou trajetória para evitar danos durante colisões se tornam cada vez mais necessários seja por questões de segurança ou de desempenho. Separando a dinâmica de um manipulador de um único elo em dois modos, sendo eles modo de controle de posição (modo livre) e modo de controle de torque (modo de contato), a primeira parte desta dissertação, lida com o problema de estimação de estados para detecção do modo ativo através da implementação do método de Estimação de Estados de Horizonte móvel com Redes Neurais (NNMHSE). A efetividade do método de estimação proposto é avaliada através da comparação dos estados e modos gerados pelo MHSE e dos estimados pela Rede Neural. Este método apresentou baixos valores de RMSE, altos valores de R(2), e uma redução do tempo de processamento do algoritmo de estimação. A segunda parte desta dissertação lida com o problema de controle de posição e força chaveado para um manipulador robótico não linear, aplicando Controle Preditivo Baseado em Modelo (MPC). O algoritmo MPC chaveado implementado mostrou-se capaz de controlar efetivamente ambos os modos do sistema apresentando baixo erro na predição, aproximadamente 2 por cento no modo de controle de posição e 0.5 por cento no modo de controle de torque, mesmo considerando alterações cíclicas nos modos. Ambos os métodos provam ser adequados para controle de manipuladores robóticos colocalizados com seres humanos ou em ambientes desestruturados por meio da detecção do modo de operação e do controle chaveado posição-torque. / [en] The advances in Robotics in recent decades allow a growing range of robotic manipulator applications in various industry sectors. This directly impacts Human-Robot Interaction (HRI), increasing tasks that require a shared work environment, safety performance, and the contact detection ability of the robotic manipulator. Consequently, control methods capable of predicting contact, and controlling force or trajectory to avoid damage during collisions become increasingly necessary either for safety or performance reasons. Separating the dynamics of a single-link manipulator into two modes, namely position control mode (free mode) and torque control mode (contact mode), the first part of this dissertation deals with the estimation problem of states for active mode detection through the implementation of the Moving Horizon State Estimation with Neural Networks (NNMHSE) method. The effectiveness of the proposed estimation method is evaluated by comparing the states and modes generated by the MHSE and those estimated by the Neural Network. This method showed low RMSE values, high values of R(2), and a reduction in the processing time of the estimation algorithm. The second part of this dissertation deals with the position and force switching problem for a non-linear robotic manipulator, applying Model-Based Predictive Control (MPC). The implemented switched MPC algorithm effectively controlled both modes of the system, presenting low prediction error, approximately 2 percent in position control mode and 0.5 percent in torque control mode, even considering cyclical changes in the modes. Both methods prove to be suitable for controlling co-located robotic manipulators with humans or in unstructured environments through operation mode detection and position-torque switching control.

Having a accurate model of a system is essential for many applications today, especially those related to advanced process control. When executing a project often a lot of time is spent performing experiments on the real system to estimate a model. By designing higher quality experiments the time needed to estimate and identify these models can be reduced saving both resources and engineering efforts. This masters thesis investigates optimal input design to minimize the time needed to identify a linear time-invariant multivariable system fulfilling certain requirements on the model accuracy. Previous input designs mostly focused on sequential excitation but here the effects of using combined simultaneous and sequential excitation is investigated. The design is performed in simulations and evaluated in closed loop using a model predictive controller to further guarantee that the output constraints are not violated. The results indicate that there are many cases where using combined simultaneous and sequential excitation outperforms the previous methods. The effects of the color of the noise on the input design is investigated and the ability of different designs to estimate system delay is also studied. In addition it is shown how an iterative scheme can be used to guarantee that the accuracy requirements on the estimated model are met. / Att ha en god modell av ett system är viktigt för många applikationer idag, särskilt de som är relaterade till avancerad processtyrning. När man genomför ett projekt läggs ofta mycket tid på att utföra experiment på det verkliga systemet för att identifiera en modell. Genom att utforma experiment av hög kvalitet kan den tid som behövs för att identifiera dessa modeller minskas, vilket minimerar både processpåverkan och ingenjörsinsatsen. Denna masteruppsats undersöker metoder för optimal experimentdesign för att minimera tiden som behövs för att identifiera ett multivariabelt system där det finns krav på modellens noggrannhet. Tidigare metoder fokuserade mest på sekventiella experiment, men här undersöks effekterna av att använda en kombination av samtidiga och sekventiella experiment. Här används simuleringar som utvärderas i sluten loop med hjälp av en modellprediktiv regulator för att undvika att utsignalbegränsningarna inte överskrids. Resultatet indikerar att det finns många fall där användning av kombinerade samtidiga och sekventiella experiment överträffar tidigare metoder. Effekterna av färgat brus på ingångsdesignen undersöks och olika metoders förmåga att uppskatta systemfördröjning studeras också. Dessutom visas hur ett iterativt schema kan användas för att garantera att noggrannhetskraven på den uppskattade modellen uppfylls.

[pt] Este trabalho tem como objetivo estudar estratégias de Controle Preditivo baseado em Modelo Não-Linear (NMPC) aplicadas a uma coluna de destilação despropanizadora simulada. Essas colunas são empregadas em unidades de processamento de gás natural (UPGNs) para a separação do produto propano do butano. Colunas de destilação possuem características particularmente desafiadoras sob o ponto de vista de controle, como: não-linearidades, grandes constantes de tempo, atraso, restrições de variáveis e inversão do sinal de ganho estático. Como as medidas de composição frequentemente possuem atrasos e dados esparsos, os sistemas de controle convencionais não são capazes de controlar a composição diretamente e possuem dificuldade em manter os produtos dentro das especificações. Contudo, controladores baseados em modelo possuem a habilidade de prever a composição através do modelo interno do processo, além de serem capazes de lidar com restrições. Na literatura, nenhuma aplicação do modelo de Hammerstein modificado para coluna de destilação ou para sistemas multivariáveis foi encontrada, sendo esta uma novidade. Desta forma, foram estudadas três estratégias de controle: controle PID tradicional, NMPC com modelo de Hammerstein modificado (H-NMPC) e NMPC com modelo por Redes Neurais (NN-NMPC). O sistema estudado foi identificado de forma a se obter valores numéricos adequados aos parâmetros dos modelos. A identificação dos parâmetros dos modelos e os algoritmos de NMPC foram implementados no ambiente MATLAB. A coluna de destilação foi simulada usando o Aspen Plus Dynamics. Como resultado, o H-NMPC teve o melhor desempenho de controle ao rastrear diferentes trajetórias de referência, a desacoplar as variáveis controladas e a rejeitar os distúrbios. Além disso, esta apresentou maior rapidez computacional comparado com a estratégia NNNMPC. / [en] This work aims to study strategies of Nonlinear Model Predictive Control (NMPC) applied to a simulated depropanizer distillation column. These columns are used in natural gas processing units (NGPUs) for the separation of the product propane from butane. Distillation columns have particularly challenging features from the control point of view, such as: nonlinearities, large time constants, delay, variable constraints and static gain signal inversion. Because compositional measures often have delays and sparse data, conventional control systems are not able to control composition directly and have difficulty keeping products within specifications. However, model-based controllers predict composition through the internal process model, besides being able to handle constraints. In the literature, no applications of the modified Hammerstein model for distillation column or multivariable systems was found, so this is a novelty. Therefore, three control strategies were studied: traditional PID control, NMPC with modified Hammerstein model (H-NMPC) and NMPC with neural network model (NN-NMPC). The studied system was identified in order to obtain adequate numerical values of the model parameters. The model identification and the NMPC algorithms were implemented in the MATLAB environment. The distillation column was simulated using Aspen Plus Dynamics. As a result, the H-NMPC provided better control performance for different setpoint tracking, control variables decoupling, and disturbance rejection. Furthermore, it presented faster computational speed compared to NN-NMPC.

Autonomous driving is one of the megatrends in today’s automotive industry. Passengers are expected to do more non-driving tasks in an autonomous driving vehicle. Therefore, the comfort of the vehicle has become a more important factor for the passengers. This thesis investigates the possibility of increasing comfort through an integrated active chassis control strategy. First, this thesis has defined comfort in objective ways. Then, the objective comfort evaluation variables are used for comfort evaluation of the vehicle in different scenarios. The improvement in comfort is evaluated for four active chassis systems, including active suspension, active anti-roll bar, active rear-wheel steering and torque vectoring systems. Since more than one active chassis system can affect vehicle body motion in one direction, those four active chassis systems should be controlled in an integrated way. The model predictive control (MPC) is used because it can control a multi-input multi-output system in an optimized way. Two MPC controllers have been developed in this thesis to control multiple active chassis systems for comfort improvement. The original MPC controller is a linear MPC controller that uses a time-invariant state-space vehicle model. The adaptive MPC controller is a linear MPC controller that uses a time-variant state-space vehicle model. These two controllers are tested in the simulation software CarMaker with various scenarios, such as slalom, double lane-change, and bumps that are both symmetrical and shifted unsymmetrical. Finally, the simulation results are evaluated with objective comfort evaluation methods to assess the controller performances in comfort improvement. In conclusion, the model predictive control can be a feasible way to improve comfort with multiple active chassis systems. The simulation results show that the two MPC controllers can reduce the objective comfort evaluation variables. The discussions of the design process and simulation results point out future works that need to be done before this project becomes a product of real vehicles. / Autonom körning är en av megatrenderna i dagens bilindustri. Passagerare förväntas utföra fler icke-körrelaterade uppgifter i ett autonomt fordon. Därför har fordonets komfort blivit en allt viktigare faktor för passagerarna. Denna avhandling undersöker möjligheten att öka komforten genom en integrerad aktiv chassikontrollstrategi. Som utgångspunkt har denna avhandling definierat komfort på objektiva sätt. Sedan används de objektiva komfortvärderingsvariablerna för komfortutvärdering av fordonet i olika scenarier. Förbättringen av komfort utvärderas för fyra aktiva chassisystem, inkluderande aktiv fjädring, aktiv krängningshämmare, aktiv bakhjulsstyrning och drivmomentvektorisering. Eftersom mer än ett aktivt chassisystem kan påverka fordonets rörelse i en riktning, bör dessa fyra aktiva chassisystem styras på ett integrerat sätt. Modellprediktiv reglering (MPC) används eftersom den kan styra ett multi-input multi-output system på ett optimerat sätt. Två MPC-reglersystem har utvecklats för att styra flera aktiva chassisystem för komfortförbättring. Den ursprungliga MPC-reglerenheten är en linjär MPC-regulator som använder en tidsinvariant fordonsmodell. Den adaptiva MPC-reglerenheten är en linjär MPC-regulator som använder en tidsvariant fordonsmodell. Dessa två reglersystem testas i simuleringsprogramvaran CarMaker i olika scenarier, till exempel slalom, dubbelt körfältsbyte och väg-gupp som är både symmetriska och osymmetriska. Slutligen utvärderas simuleringsresultaten med objektiva komfortutvärderingsmetoder för att bedöma reglersystemens komfortförbättring. Sammanfattningsvis kan modellprediktiv reglering vara ett genomförbart sätt att förbättra komforten med flera aktiva chassisystem. Simuleringsresultaten visar att de två MPC-regulatorerna kan reducera de objektiva komfortutvärderingsvariablerna. Diskussionerna om designprocessen och simuleringsresultaten tar upp framtida arbeten som behöver göras innan detta projekt kan förverkligas i riktiga fordon.

The aim of the thesis was to implement and compare control methods in a model of a main battle tank. Three controllers were implemented in a two axis gimbal model and their performances were compared. The comparisons were performed using step changes in the reference signal, frequency analysis of an oscillating reference signal and disturbances, and turret mass uncertainties. The results showed that the sliding mode controller had the best performance for both reference changes and disturbance attenuation. The PID controller had a better performance for the change in reference, compared to the model predictive controller, but a significantly worse disturbance attenuation. Due to model approximations, such as assuming ideal engines and noise reduction, the results likely show a better performance than what can be expected if applied on a real main battle tank. Therefore, the results show an upper limit of the stabilization performance of turret and barrel control and should only be used to compare the controllers. / Målet med uppsatsen var att implementera och jämföra reglermetoder för en teoretisk modell av en modern stridsvagn. Tre metoder implementerades i ett tvåaxligt gimbalsystem och deras prestanda utvärderades. Mer specifikt utvärderades regulatorernas respons för en referensändring, en referensstörning och osäkerheter i tornets massa och massfördelning. Utifrån dessa resultat jämfördes sedan reglermetoderna. Resultaten visade att sliding mode regulatorn hade bäst prestanda för både referensändring och referensstörningen när man tittar på frekvensanalys av mät- och processstörningar. PID-regulatorn hade en bättre prestanda än MPC-regulatorn för en referensändring men en sämre respons för en referensstö-rning. På grund av modellförenklingar som till exempel antaganden om ideala motorer och brusreduktion visar resultaten troligen en något bättre prestanda än vad som kan uppnås på en riktigt stridsvagn. Det medför att resultaten visar en övre gräns för vad styrsystemet för en stridsvagns torn- och eldrörsrotation kan uppnå.