With increasing demand for autonomous systems and self-driving heavy-dutyvehicles there is an even more increasing demand for safety. In order to achievedesired safety level on the public roads, engineers have to tackle many technicalissues, like decision making, object detection and perception. In order to detect anobject or to have an understanding of its surroundings, autonomous heavy-dutyvehicles are equipped with different types of sensors. These sensors are placed ondifferent parts of the autonomous truck. The fact that some parts of the truckare highly dynamical introduces additional disturbances to the signals comingfrom onboard sensors. One of the most dynamic parts of every truck is its cabin.Moving cabin may induce additional disturbances into data coming from sensorsattached to it. This corrupted data may lead the autonomous trucks to make wrongdecisions. In the worst case, such decisions may be fatal.This thesis uses a data driven modeling approach for creating a mathematicaldescription of cabin movements based on data from onboard sensors. For thatpurpose, tools from system identification field are used. The resulting modelsare aimed to be used for implementation of real-time estimation algorithm forthe cabin dynamics, which in turn can be used for real-time compensation of thedisturbances. / Ee ökad efterfrågan efter autonoma fordon sätter ännu högre krav på säkerhet.Eftersom mäniskors säkerhet alltid prioriteras högst så måste ingenjörer runtom i världen att se till att framtida självkörande lastbilar inte bara är heltautonoma utan framför allt säkra. För att uppnå önskad säkerhetsnivå på deallmänna vägarna måste ingenjörerna ta itu med många tekniska problem, somexempelvis beslutsfattande, objektdetektering och perception. För att upptäckaett föremål eller att förstå sin omgivning är autonoma lastbilar numera utrustademed olika typer av sensorer. Dessa sensorer är monterade på olika delar av denautonoma lastbilen. Det faktum att vissa delar av en lastbil är mycket dynamiskaintroducerar ytterligare störningar i signler som kommer från de sensorer somfinns monterade på fordonet. En av de mest dynamiska delarna av varje lastbilär hytten. Hyttens rörelser kan orsaka ytterligare störningar i data som kommerfrån sensorer som är anslutna till den. Den felaktiga informationen kan ledatill att det autonoma fordonet fattar felaktiga beslut, som i värsta skulle kunnaorsaka dödsfall. Detta examensarbete använder sig av datadriven modelleringför att beskriva det matematiska förhållandet mellan hytt och chassi baserat pådata som kommer från de sensorer som finns monterade på fordonet. För attdetta ändamål skulle kunna uppnås används systemidentifieringsteknik. Bådegrey-box och black-box systemidentifieringsmetod användas och jämföras för attkunna erhålla ett resultat som visar vilken av de två teknikerna är bäst lämpad fördetta ändamål.