In this work, an improved Learning Model Predictive Control (LMPC)architecture for autonomous racing is presented. The controller is referencefree and is able to improve lap time by learning from history data of previouslaps. A terminal cost and a sampled safe set are learned from history data toguarantee recursive feasibility and non-decreasing performance at each lap.Improvements have been proposed to implement LMPC on autonomousracing in a more efficient and reliable way. Improvements have been doneon three aspects. Firstly, system identification has been improved to be runin a more efficient way by collecting feature data in subspace, so that thesize of feature data set is reduced and time needed to run sorting algorithmcan be reduced. Secondly, different strategies have been proposed toimprove model accuracy, such as least mean square with/without lifting andGaussian process regression. Thirdly, for reducing algorithm complexity,methods combining different model construction strategies were proposed.Also, running controller in a multi-rate way has also been proposed toreduced algorithm complexity when increment of controller frequency isnecessary. Besides, the performance of different system identificationstrategies have been compared, which include strategy from newton’s law,strategy from classical system identification and strategy from machinelearning. Factors that can possibly influence converged result of LMPCwere also investigated, such as prediction horizon, controller frequency.Experiment results on a 1:10 scaled RC car illustrates the effectiveness ofproposed improvements and the difference of different system identificationstrategies. / I detta arbete, presenteras en förbättrad inlärning baserad modell prediktivkontroll (LMPC) för autonom racing, styralgoritm är referens fritt och har visatsig att kunna förbättra varvtid genom att lära sig ifrån historiska data från tidigarevarv. En terminal kostnad och en samplad säker mängd är lärde ifrån historiskdata för att garantera rekursiv genomförbarhet och icke-avtagande prestanda vidvarje varv.förbättringar har presenterats för implementering av LMPC på autonom racingpå ett mer effektivt och pålitligt sätt. Förbättringar har gjorts på tre aspekter.Först, för system identifiering, föreslår vi att samlar feature data i delrummet,så att storlek på samlade datamängd reduceras och tiden som krävs för attköra sorteringsalgoritm minskas. För det andra, föreslår vi olika strategierför förbättrade modellnoggrannheten, såsom LMS med/utan lyft och Gaussianprocess regression. För det tredje, För att reducerar komplexitet för algoritm,metoder som kombinerar olika modellbygg strategier föreslogs. Att körastyrenhet på ett multi-rate sätt har också föreslagits till för att reduceraalgoritmkomplexitet då inkrementet av styrfrekvensen är nödvändigt.Prestanda av olika systemidentifiering har jämförts, bland annat, Newtonslag, klassisk systemidentifierings metoder och strategier från maskininlärning.Faktorer som eventuellt kan påverka konvergens av LMPC resultat har ocksåundersökts. Såsom, prediktions horisont, styrfrekvensen.Experimentresultat på en 1:10 skalad RC-bilen visar effektiviteten hos föreslagnaförbättringarna och skillnaderna i olika systemidentifierings strategier.

Fuel Cell Hybrid Electric vehicles are hybrid vehicles that consist of both fuel cells and batteries as energy conversion systems. The Energy Management System plays an important role in the operation of the fuel cell hybrid system, as it helps in reducing the hydrogen consumption of the system. This study investigates an optimal control algorithm with an aim to reduce the hydrogen consumption of the fuel cell system for five different drive cycles operating in Europe. Model Predictive Control(MPC) is used to solve the optimal control problem, by formalizing a look ahead controller, utilizing its receding horizon approach. The optimal controller analysis is compared with a conventional rule-based controller, by analysing the hybrid system over various battery and fuel cell sizes, on the basis of the overall hydrogen consumption. Firstly, a simplified system model is developed, by modelling the fuel cell system with respect to the efficiency curve of the hydrogen power and fuel cell power. The battery system model with its State of Charge(SOC) is coupled with the fuel cell model to form an objective function satisfying the power demand from the drive cycles. The MPC controller and the rule-based controller are implemented in MATLAB and the powersplit analysis is simulated for all five routes. The results show that the energy management system with the MPC controller optimizes the powertrain configuration efficiently, with preparing for the uphill or downhill, such that the battery SOC stays in its limits and the fuel cell operates in the most efficient range. This ensures operating over different types of drive cycles with the most efficient battery and fuel cell size, hence concluding with the MPC controller outperforming the rule-based one. / Fuel Cell Hybrid Electric Vehicle (FCHEV) är hybridfordon som består av både bränsleceller och batterier som energiomvandlingssystem. Energy ManagementSystem (EMS) spelar en viktig roll i driften av bränslecellshybridsystemet, eftersom det hjälper till att minska systemets vätgasförbrukning. Denna studie undersöker en optimal styralgoritm framtagen i syfte att minska syfte att minska vätgasförbrukningen i bränslecellssystemet. Algoritmen testas på fem olika körcykler, baserade på verkliga Europeiska vägsträckor. Model Predictive Controller (MPC) används för att lösa det optimala styrproblemet, genom att formalisera en framåtblickskontroller med hjälp av dess vikande horisont. Den optimala kontroller jämförs med en konventionell regelbaserad kontroller, genom att analysera hybridsystemet över olika batteri- och bränslecellstorlekar, baserat på den totala väteförbrukningen. Först utvecklas en förenklad systemmodell, som modellerar bränslecellssystemet med avseende på effektivitetskurvan för vätgaskraften och bränslecellseffekten. Batterisystemmodellen med dess State of Charge (SOC) är kopplad till bränslecellsmodellen för att bilda en målfunktion som tillfredsställer kraftbehovet från drivcyklerna. MPC-styrningen och den regelbaserade styrningen är implementerade i matlab och effektdelningsanalysen simuleras för alla fem rutterna. Resultaten visar att energihanteringssystemet medMPC-styrningen optimerar drivlinans konfiguration effektivt, med förberedelser för uppförsbacke eller nedförsbacke, så att batteriets SOC håller sig inom sina gränser och bränslecellen arbetar i mest optimala räckvidden. Detta säkerställer drift över olika typer av körcykler med den mest effektiva batteri- och bränslecellsstorleken, och avslutar därför med att MPC-styrenheten överträffar den regelbaserade.