The ability to acquire accurate information of the surrounding road environment is crucial for autonomous driving and advanced driver assistance systems. A method to estimate the shape of the road has been developed and evaluated. The estimate is based on fusion of data from a road marking detector, a radar tracker, map data, GPS, and inertial sensors. The method is intended for highway use and focus has been on increasing the availability of a sufficiently accurate road shape estimate in the event of sensor failures. To make use of past sensor measurements, an extended Kalman filter has been used together with dynamical models for the road and the ego vehicle. Results from a performance evaluation show that the road shape estimate clearly benefits from being based on a fusion of sensor data. The different sensors have also proven to be of various importance to the different parameters that describe the road shape. / Fordon som kan köra autonomt, det vill säga utan förare, är ett mål för fordonsindustrin och en dröm för många bilägare. Det skulle möjliggöra för förare att använda tiden till annat och minska personalkostnader för transportbolag. Säkerheten på våra vägar skulle även kunna förbättras eftersom att ett sådant system har möjlighet att reagera snabbare än någon människa och drabbas inte av trötthet eller störs av andra passagerare. Förmåga att kunna inhämta och tolka information om den omkringliggande trafiksituationen är ytterst nödvändigt för att kunna utveckla autonoma fordon och behövs även för mer avancerade moderna säkerhetssytem, som till exempel kollissionsvarningssystem. En viktig del i detta är att kunna uppfatta hur formen på vägen ser ut. Målet med detta examensarbete är att utveckla en algoritm som estimerar vägens form baserat på ett antal sensorer monterade på ett fordon och information från en kartdatabas. Den största vikten har legat på att algoritmen alltid ska kunna leverera en tillräckligt bra skattning, även i perioder när sensormätningar inte finns tillgängliga på grund av att sensorer fallerar. Den tänkta miljön är motorvägskörning, främst därför att det innebär en hel del förenklingar i jämförelse med andra typer av vägar. Det stora problemet för sådana algoritmer ligger ofta i att sensorer lider av olika typer av nackdelar. De mäter bara en viss specifik sak, kan ha stora mätfel, är känsliga för olika förhållanden och har begränsingar i räckvidd. För att uttnyttja sensorernas olika styrkor och mildra effekten av deras brister har ett flertal sensorer använts tillsammans. Examensarbetet har utförts på Scania och testats på deras lastbilar. De typer av sensorer som har använts är redan, eller är på god väg att bli, standardutrustning i deras lastbilar och i många andra moderna fordon. Algoritmen använder sig av mätningar från en vägmarkeringsdetektor, som tillhandahåller formen på de två närmaste väglinjerna, en radar, som ger position och rörelse hos framförvarande bilar, en kartdatabas, som tillsammans med en GPS ger tidigare uppmätt kurvatur vid fordonets position, och interna sensorer som mäter det egna fordonets rörelser. För att kunna fortsätta ge en skattning när mätningar inte finns tillgängliga och för att göra algoritmen robustare mot dålig data, har en metod använts som uttnyttjar informationen i tidigare mätvärden, ett så kallat Extended Kalman filter. Denna metod kräver en matematisk beskrivning av hur formen på vägen framför fordonet förväntas förändras över tid, baserat på hur fordonet rör sig. De olika typerna av mätvärden från sensorerna kombineras i metoden och viktas olika beroende på hur tillförlitliga man anser att sensorerna är. Algoritmen har utvärderats på mätningar från allmänna motorvägar utanför Södertälje. Resultatet från denna utvärdering visar att det är väldigt fördelaktigt att kombinera flera olika typer av sensorer för att kunna leverera en bra skattning så ofta som möjligt. Det visar sig även att de olika typerna av sensorer är av olika stor betydelse för olika vägformsparametrar.