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.​

Inom reglerteknik har integrationen av maskininlärningsmetoder framträtt som en central strategi för att förbättra prestanda och adaptivitet hos styrsystem. Betydande framsteg har gjorts inom flera viktiga aspekter av reglerkretsen, såsom inlärningsbaserade metoder för systemidentifiering och parameterskattning, filtrering och brusreducering samt reglersyntes. Denna avhandling fördjupar sig i området inlärning för reglerteknik med särskild betoning på inlärningsbaserade regulatorer och identifieringsmetoder.  Avhandlingens första del behandlar undersökningen av neuronnätsbaserad Modellprediktiv Reglering (MPC). Olika nätstrukturer studeras, både generella black box-nät och nät som väver in MPC-specifik information i sin struktur. Dessa nät jämförs och utvärderas med avseende på två prestandamått genom experiment på realistiska två- och fyrdimensionella system. Den huvudsakliga nyskapande aspekten är inkluderingen av gradientdata i träningsprocessen, vilket visar sig förbättra noggrannheten av de genererade styrsignalerna. Vidare påvisar de experimentella resultaten att en MPC-informerad nätstruktur leder till förbättrad prestanda när mängden träningsdata är begränsad.  Med insikt om vikten av noggranna matematiska modeller av styrsystemet, riktar den andra delen av avhandlingen sitt fokus mot inlärningsbaserade identifieringsmetoder. Denna forskningsgren behandlar karakterisering och modellering av dynamiska system med hjälp av maskininlärning. Avhandlingen bidrar till området genom att introducera kooperativa systemidentifieringsmetoder för att förbättra parameterskattningen. Specifikt utnyttjas verktyg från Optimal Transport för att introducera en ny och mer generell formulering av ramverket Correctional Learning. Detta ramverk är baserat på en mästare-lärlingsmodell, där en expertagent (mästare) observerar och modifierar den insamlade data som används av en lärande agent (lärling), med syftet att förbättra lärlingens skattningsprocess. Genom att formulera correctional learning som ett optimal transport-problem erhålls ett mer flexibelt ramverk, bättre lämpat för skattning av komplexa systemegenskaper samt anpassning till alternativa handlingsstrategier. / In the context of control systems, the integration of machine learning mechanisms has emerged as a key approach for improving performance and adaptability. Notable progress has been made across several aspects of the control loop, including learning-based techniques for system identification and estimation, filtering and denoising, and controller design. This thesis delves into the rapidly expanding domain of learning in control, with a particular focus placed on learning-based controllers and learning-based identification methods. The first part of this thesis is devoted to the investigation of Neural Network approximations of Model Predictive Control (MPC). Model-agnostic neural network structures are compared to networks employing MPC-specific information, and evaluated in terms of two performance metrics. The main novel aspect lies in the incorporation of gradient data in the training process, which is shown to enhance the accuracy of the network generated control inputs. Furthermore, experimental results reveal that MPC-informed networks outperform the agnostic counterparts in scenarios when training data is limited. In acknowledgement of the crucial role accurate system models play in in the control loop, the second part of this thesis lends its focus to learning-based identification methods. This line of work addresses the important task of characterizing and modeling dynamical systems, by introducing cooperative system identification techniques to enhance estimation performance. Specifically, it presents a novel and generalized formulation of the Correctional Learning framework, leveraging tools from Optimal Transport. The correctional learning framework centers around a teacher-student model, where an expert agent (teacher) modifies the sampled data used by the learner agent (student), to improve the student's estimation process. By formulating correctional learning as an optimal transport problem, a more adaptable framework is achieved, better suited for estimating complex system characteristics and accommodating alternative intervention strategies. / VR 2018-03438 projekt 3224

In this thesis, a Model Predictive Control (MPC) based re-planning and control system is proposed. The MPC re-planner will generate a collision-free path for the controlled vehicle when obstacles are detected, and the controller will make the vehicle move along the reference or re-planned path by adjusting its velocity and steering angle. The MPC re-planner and controller are built based on different vehicle dynamic models, i.e., the bicycle model and point-mass model, respectively. Simulation results show that the trajectory tracking performance when the velocity and steering are controlled simultaneously are better than using steering MPC alone. Then the effects on computational time of two critical parameters, prediction horizon and control horizon, are studied to find reasonable horizons that can enable real-time control. The robustness of the obstacle avoidance function is tested using obstacles with increasing sizes and the results show that the controlled vehicle is able to avoid a 6 m obstacle so that it can overtake other car-like vehicles in the driving process. Finally, a closed-loop one-lane road with some moving vehicles is built as a test scenario for the MPC-based re-planning and control system. According to the results, the controlled vehicle can successfully follow the centerline of the road and overtake other vehicles. / I detta examensarbete föreslås ett fordonsreglersystem baserat på modellprediktiv reglering (MPC) med en omplaneringsfunktion. Det MPC-baserade omplaneringssystemet ska hitta en kollisionsfri väg åt det reglerade fordonet när hinder upptäcks på vägen och hastighet samt styrvinkel anpassas med hjälp av reglersystemet så att fordonet kan köra längs referensvägen eller den nya vägen efter omplaneringen. Det MPC-baserade fordonsregler- och omplaneringssystemet är uppbyggt baserat på olika fordonsdynamiska modeller, cykelmodellen och en punktmassemodell. Simuleringsresultaten visar att prestandan för trajektorieföljningen är avsevärt bättre i fallet då både fordonshastighet och styrvinkel regleras jämfört med att enbart reglera styrvinkeln. Därefter studerades vilken inverkan två kritiska parametrar, förutsägelsehorisont och reglerhorisont, har på simuleringstiden för att hitta rimliga horisonter som kan möjliggöra realtidsreglering. Omplaneringsfunktionens robusthet utvärderades med hjälp av olika hinder med ökande storlekar. Resultaten visar att det reglerade fordonet har förmåga att undvika hinder upp till sex meters storlek, vilket betyder att fordonet kan passera andra billiknande fordon under körning. Slutligen, för att utvärdera det MPC-baserade regler- och omplaneringssystemet skapas ett testscenario där fordonet kör på en enfilig väg och där det finns andra fordon i rörelse samtidigt. Enligt simuleringsresultaten så kan det reglerade fordonet följa vägens mittlinje samt köra om de andra fordonen som färdas på samma väg.

Missile guidance and autopilot have been active fields of research since the second world war. There are lots of literature on the subjects, but the bulk of which are confined to overly simplified models, and therefore the publications of the methods applied to more realistic models are scarce. In this report a nonlinear 6 DOF simulation model of a tail-controlled air-to-air missile is considered. Through several assumptions and simplifications a linearized approximation of the plant is obtained, which then is used in the implementation of 5 guidance laws and 2 autopilots. The guidance laws are all based on a linearized collision geometry, and the autopilots are based on model predictive control (MPC). Both autopilots use linear quadratic MPC (LQMPC), and one is more robust to modelling errors than the conventional LQMPC. The guidance laws and autopilots are then evaluated with respect to performance in terms of miss distance in 4 interception scenarios with a moving target. The results show that the in this model the autopilots perform equally well, and that the guidance laws with more information about the target generally exhibit smaller miss distances, but at the cost of a considerably larger flight time for some scenarios. The conclusions are that the simplifying assumptions in the modelling are legitimate and that the challenges of missile control probably does not lie in the guidance or autopilot, but rather in the target tracking. Therefore it is suggested that future work include measurement noise and process disturbances in the model. / Det har forskats kring styrlagarna och styrautomaterna för robotar sedan an-dra världskrigets. Det finns mycket litteratur på områdena, men merparten av de publicerade resultaten behandlar enbart grovt förenklade modeller, och därför är tillgången på publikationer där metoderna applicerats i en mer realistisk modell begränsat. I denna rapport behandlas en olinjär simuleringsmodell av en jaktrobot som styrs med stjärtfenor och har sex frihetsgrader. Genom en rad antaganden och förenklingar erhålls en linjäriserad modell av missilen, vilket sedan används för implementering av fem styrlagar och två styrautomater. Styr-lagarna är alla baserade på en linjäriserad kollisionsgeometri och styrautomaterna är baserade på modellprediktiv styrning (MPC). Båda styrautomaterna använder linjärkvadratisk MPC, där den ena påstås vara mer robust gentemot modellfel. Styrlagarna och -automaterna utvärderas ur ett prestandaperspektiv med fokus på bomavstånd i fyra realistiska genskjutningsscenarier med ett rörligt mål. Resultaten visar att båda styrautomaterna presterar lika bra, och att de styrlagar med mer information om målets position/hastighet/acceleration generellt presterar bättre, men att de för vissa skjutfall får en väsentligt längre flygtid. Slutsatserna är att förenklingarna och antagandena i linjäriseringen är välgrundade, och att utmaningarna i missilstyrning inte ligger i utformning av styrlag/-automat, utan förmodligen i målsökningen. Därför föreslås det slutligen att framtida arbete bl. a. inkluderar mätbrus och störningar.

Sedan industriella revolutionen har hastigheten av global uppvärmning och föroreningar i miljön ökat betydligt. Företag i fordonsindustrin arbetar aktivt för att göra sina produkter mer hållbara genom att bland annat minska utsläppen, minimera användningen av icke-förnybara resurser samt att återvinna. En batteridriven elbil (BEV) är en möjlig lösning för renare transport och marknaden har ökat signifikant. Men med den nuvarande batteriteknologin skulle stora byggmaskiner som grävmaskiner behöva tunga batterier för att möta sina energibehov, vilket ökar den totala vikten. Bränslecellshybriddrivna fordon (FCHEV) med vätgas är en potentiell lösning för medelstora och stora byggmaskiner som kombinerar bränsleceller och batterier för att tillhandahålla energin. Byggmaskiner har en växlande effekt och utför vanligtvis upprepande arbetsmönster, men en bränslecell reagerar långsammare på grund av den kemiska processen. Därför behövs ett effektivt energihanteringssystem för att möta effektbehovet, uppfylla systembegränsningar, minska vätgasförbrukningen samt att begränsa bränslecell- och batteridegraderingen. Syftet med denna avhandling är att utveckla en kontrollenhet och ett estimeringsinstrument för maskinbelastning för ett sådant FCHEV system. En ny energihanteringsstrategi föreslås genom att formulera den som ett optimeringsproblem och använda modellprediktiv reglering (MPC) för att minimera målfunktionen som involverar vätgasförbrukning och hastighetsbegränsningar. Kontrollenheten ger en optimal fördelning av bränslecell- och batterikraft över en tidsperiod som uppfyller det efterfrågade effektbehovet och följer systembegränsningarna. Maskinbelastningsestimeringen är baserad på autokorrelation och integreras med kontrollenheten. Estimeringsinstrumentet fungerar som en ingång till kontrollenheten som optimerar fördelningen av kraften mellan batteriet och bränslecellen. Jämfört med den tidigare realtidsfördelningsfunktionen för effekt som användes av Volvo Construction Equipment AB (Volvo CE) visade det sig att MPC kombinerat med autokorrelationsbaserad belastningsestimering främst använde ett mycket smalare fönster för batteriets laddningstillstånd (SoC), vilket öppnar upp möjligheten att minska batteristorleken i maskinen. Transienter i bränslecellens effekt minskar också, vilket minskar dess nedbrytning och förbättrar livslängden. / Ever since the industrial evolution, the rate of global warming and pollution in the environment have gone up significantly. Automotive companies are actively working towards making their products more sustainable in terms of reducing emissions, minimizing resource utilization of non-renewables, recycling, and several other steps. A pure battery electric vehicle (BEV) is a possible solution for cleaner transport and has seen widespread adoption among users. However, with the current battery technology, large construction machines such as excavators would need heavy batteries to meet their energy demand, pushing up the overall weight. Hydrogen driven Fuel Cell Hybrid Electric Vehicles (FCHEV) are a potential solution for medium and large sized construction machines having both fuel cells and batteries to supply energy. Construction machines have a highly transient power and generally perform repeating patterns of work but a fuel cell is slow reacting device due to the chemistry involved. Hence there is a need for an efficient energy management system to meet the power demand, satisfy system constraints, reduce hydrogen consumption and limit fuel cell and battery degradation. This thesis aims to develop a controller and a machine load predictor for such a FCHEV. A novel energy management strategy is proposed by formulating it as an optimization problem and using Model Predictive Control (MPC) to minimize the objective function that involves hydrogen consumption and rate constraints. The controller yields an optimal fuel cell and battery power split over a time-horizon that fulfills the demanded power and obeys the system constraints. An auto-correlation-based machine load predictor is integrated with the controller. The predictor serves as an input to the controller that optimizes the power split between the battery and fuel cell. Compared to the previous real-time power-split function used by Volvo Construction Equipment AB (Volvo CE), the MPC combined with the auto-correlation-based load predictor was found to primarily use a much narrower battery State of Charge (SoC) window, thus opening up the potential to reduce battery size in the machine. Transients in the fuel cell power are also reduced, thus slowing down its degradation and improving the lifetime.

In recreational boating, docking is one of the most stressful and accident prone situations. Due to the loss of maneuverability at low speeds, it is a procedure that requires experience. There are mainly two problems when it comes to autonomous docking of a boat, these are identifying a berth’s position as well as keeping the boat on its intended path and correcting any deviations. Autonomous docking in recreational boating is still quite uncommon, with companies still exploring different solutions. This thesis proposes a Model Predictive Control (MPC) system combined with Pulsed Coherent Radar technology, equipped on an under-actuated boat model, to achieve autonomous docking. A major part of this thesis was to evaluate the amount and placement of radar sensors, as well as determining whether these are suitable in a water environment. In order to test this, the sensors were placed alongside the hull of the boat. It was found that the placement of sensors had a bigger impact than the amount when it came to correctly detecting the position of a berth. Once the placement of sensors and the berth position algorithmhad been done, a closed-loop MPC was used. This controller got constant feedback of the boat’s position relative the berth, in order to calculate the thruster control inputs for the next time step. The developed autonomous docking system was then implemented on the boat which was tested in a swimming pool. The optimal radar configuration combined withMPC, made it possible to successfully dock a boat autonomously without any modification to the berth. / För fritidsbåtlivet är tilläggning en av demest stressfulla och olycksbenägna situationerna. På grund av förlust av manövrering vid låga hastigheter är det en procedur som kräver erfarenhet. Det finns främst två problem när det kommer till autonom tilläggning, det är att identifiera positionen av en brygga såväl som att hålla båten på den avsedda kursen och rätta till små avvikelser. Autonom tilläggning för fritidsbåtlivet är fortfarande rätt ovanligt och företag utforskar fortfarande olika lösningar. Denna avhandling föreslår ett Modellprediktivt Reglersystem (MPC) kombinerat med Pulserad Koherent Radarteknik som är utrustad på en underaktuerad båtmodell för att uppnå autonom tilläggning. En stor del av avhandlingen var att utvärdera antalet och placeringen av radarsensorer, såväl som att fastställa om dessa är lämpliga att användas i en vattenmiljö. För att undersöka detta placerades sensorerna längs med båtens skrov. Det konstaterades att placeringen av sensorer hade en större påverkan än mängden när det kom till att läsa av positionen av bryggan korrekt. När placeringen av sensorer och bryggpositionsalgoritmen var klar användes MPC med återkoppling. Denna regulator fick konstant återkoppling av båtens position relativt bryggan för att räkna ut styrsignal till motorerna för nästa tidssteg. Den utvecklade autonoma tilläggningen var sedan implementerad på båten som testades i en pool. Den optimala radarplaceringen kombinerat med MPC gjorde det möjligt att med framgång kunna lägga till båten autonomt utan modifiering av bryggan.

The maneuverability and freedom provided by unmanned aerial vehicles (UAVs) make these an interesting choice for transporting objects in settings such as search and rescue operations, construction, and smart factories. A commonly proposed method of transport is by using cables attached between each UAV and the payload. However, the geometrical constraints posed by these attachments typically result in a system with highly complex dynamics. Although not an issue for conventional PID control schemes, these complex dynamics make the direct application of model predictive controllers (MPCs) infeasible for real-time usage. For this reason, much of the previous work has focused on treating the payload as a disturbance, thereby losing the ability to predict its effect on the UAVs. Contrary to this, this thesis presents an MPC that both captures the dynamics of the payload, and is capable of real-time usage. This is made possible by a parametrized linearization of the original system, and results in greatly improved performance compared to the disturbance model approach. The controller is derived for a system with two UAVs that transport a bar-like payload and verified both in simulations and physical experiments. The resulting control system is able track a multitude of setpoints, including rotations of both payload and UAVs, as well as lateral translations. Furthermore, it is able to attenuate external disturbances well, and dampens and prevents oscillations more efficiently when compared to the disturbance based approach. The resulting MPC solving time is on the order of milliseconds. Additionally, an initial attempt to decentralize the system is made, and the resulting controller experimentally tested on the UAV–bar system, resulting in a lower MPC solving time (2:5 times faster on average), but worsened performance in terms of position tracking of the bar. / Den manövrerbarhet och frihet som möjliggörs av användandet utav obemannade luftfarkoster (drönare) gör dessa till tämligen intressanta kandidater för lasttransport inom områden såsom sök- och räddningsuppdrag, byggnadskonstruktion och s.k. smarta fabriker. En vanligen förespråkad transportmetod består utav att förse systemet med kablar som fästs mellan last och drönare. De geometriska restriktioner som denna lastkoppling innebär resulterar emellertid ofta i system med väldigt komplicerad dynamik och interaktionskrafter. Även om detta inte innebär något problem för konventionella PID reglersystem så omöjliggör detta det direkta applicerandet utav modellprediktiv reglering (MPC) för realtidsbruk. Av denna anledning har tidigare verk fokuserat på att behandla lasten och dess inverkan på drönarna som en störning, men med detta därmed förlorat möjligheten att förutspå dess effekt på drönarna. I kontrast till detta, kommer det i detta verk att presenteras en MPC som både fångar lastens dynamik och är snabb nog för realtidsanvändning. Detta görs möjligt utav en parametriserad linjärisering utav originalsystemet och ger märkbart bättre resultat än den störningbaserade modellen. Reglersystemet appliceras på ett system bestående utav två drönare och en stång-liknande last och resultatet verifieras både i form av numeriska simuleringar och fysiska experiment. Det resulterande systemet klarar av både rotationer utav last och drönare samt translationer i alla riktningar. Dessutom är systemet kapabelt att hantera externa störningar och både dämpar och förhindrar oscillationer bättre i jämförelse med reglersystem baserat på störningsmodeller. Lösningstiden för MPC-regulatorn är i storleksordningen millisekunder. Utöver detta görs ett initialt försök i att decentralisera tidigare nämnda MPC och det resulterande reglersystemet utvärderas experimentellt på samma drönarsystem som tidigare. Detta resulterar i en lägre lösningstid (2.5 ggr snabbare i genomsnitt), men även i försämrad prestanda med avseende på reglering av stångens position.

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 project is to design an active safety system forpassenger vehicles for mitigating secondary collisions after an initialimpact. The control objective is to minimize the lateral deviationfrom the known original path while achieving a safe heading angle afterthe initial collision. A hierarchical controller structure is proposed:the higher layer is formulated as a linear time varying model predictivecontroller that denes the virtual control moment input; the lowerlayer deploys a rule-based controller that realizes the requested moment.The designed control system is then tested and validated inSimulink as well as in IPG CarMaker, a high delity vehicle dynamicssimulator. / Syftet med projektet är att för personbilar designa ett aktivtsäkerhetssystem för att undvika följdkollisioner efter en första kollision.Målet är att minimera den laterala avvikelsen från den ursprungligafärdvägen och att samtidigt uppnå en säker kurs efter den första kollisionen.En hierarkisk regulatorstruktur föreslås. Det övre skiktet iregulatorn är formulerat som en linjär tidsvarierande modell prediktivkontroller som definierar den virtuella momentinmatningen. Det nedreskiktet använder en regelbaserad regulator som realiserar det begärdamomentet. Det konstruerade styrsystemet testades och validerades sedani Simulink samt i IPG CarMaker, en simulator med hög precisionför fordonsdynamik.