Smart cities embrace cutting-edge technologies to improve transportation efficiency and safety. With the rollout of 5G and an ever-growing network of connected infrastructure sensors, real-time road condition awareness is becoming a reality. However, this progress brings new challenges. The communication and vast amounts of data generated by autonomous vehicles and the connected infrastructure must be navigated. Furthermore, different levels of autonomous driving (ranging from 0 to 5) are rolled out gradually and human-driven vehicles will continue to share the roads with autonomous vehicles for some time. In this work, we apply a data-driven control scheme called Learning Model Predictive Control (LMPC) to three different smart city scenarios of increasing complexity. Given a successful execution of a scenario, LMPC uses the trajectory data from previous executions to improve the performance of subsequent executions while guaranteeing safety and recursive feasibility. Furthermore, the performance from one execution to another is guaranteed to be non-decreasing. For our three smart-city scenarios, we apply a minimum time objective and start with a single vehicle in a two-lane intersection. Then, we add an obstacle on the lane of the ego vehicle, and lastly, we add oncoming traffic. We find that LMPC gives us improved traffic efficiency with shorter travel. However, we find that LMPC may not be suitable for real-time training in smart city scenarios. Thus, we conclude that this approach is suitable for simulator-driven, offline, training on any trajectory data that might be generated from autonomous vehicles and the infrastructure sensors in future smart cities. Over time, this can be used to construct large data sets of optimal trajectories which are available for the connected vehicles in most urban scenarios. / Smarta städer använder modern teknik för att förbättra transporteffektiviteten och säkerheten. Med införandet av 5G och ett allt större nätverk av uppkopplade sensorsystem för infrastruktur blir realtidsmedvetenhet om vägförhållandena en verklighet. Denna utveckling medför nya utmaningar. Kommunikationen mellan autonoma fordon och uppkopplade sensorsystem ger upphov till stora mängder data som måste hanteras. Dessutom kommer fordon med olika autocnominivåer (från 0 till 5) att behöva dela gatorna tillsammans med människostyrda fordon samtidigt under en tid. I detta arbete tillämpar vi en datadriven reglermetod som heter Learning Model Predictive Control (LMPC) på tre olika scenarier i en smart stad med ökande komplexitet. LMPC utnyttjar data från en tidigare lyckad körning av ett visst scenario för att förbättra prestandan på efterföljande körningar samtidigt som säkerheten och rekursiv genomförbarhet garanteras. Vidare garanteras att prestandan från en körning till en annan inte minskar. För våra tre scenarier är målet att minimerar restiden och börjar med ett enda fordon i en tvåfilig korsning. Sedan lägger vi till ett hinder på högra filen och till sist lägger vi till mötande trafik. Vi finner att LMPC ger oss förbättrad trafikeffektivitet med kortare restid. Vi finner dock att LMPC må vara mindre lämplig för realtids scenarier. Således drar vi slutsatsen att denna metod är lämplig för optimering i simulatorer, offline, på data som kan genereras från autonoma fordon och sensorsystemet i infrastrukturen. Så småningom kan vår metod användas för att konstruera stora dataset av optimala trajektorier som är tillgängliga för uppkopplade fordon i framtidens smarta städer.