In this paper we discuss iterative algorithms for solving the split feasibility problem (SFP). We study the CQ algorithm from two approaches: one is an optimization approach and the other is a fixed point approach. We prove its convergence first as the gradient-projection algorithm and secondly as a fixed point algorithm. We also study a relaxed CQ algorithm in the case where the sets C and Q are level sets of convex functions. In such case we present a convergence theorem and provide a different and much simpler proof compared with that of Yang [7].

The Integrated Vehicle Dynamics Control (IVDC) concept can influence the vehicle behaviour both longitudinally and laterally with just one upper level control concept and further lower level controllers. This demands for state estimation of the vehicle which also includes estimating parameters of interest for the vehicle dynamicist. The approach to this research is firstly in developing a robust unscented Kalman filter (UKF) estimator for the vehicle side slip tracking and also for cornering stiffness estimation which is then fed to the existing model predictive control allocation (MPCA) controller to enhance the lateral stability of the vehicle for the different manoeuvres studied. Based on these developments, two types of filters are created. One with adaption of distance between center of gravity (COG) and roll center height and another without adaption. The key factor in the estimator development is the time adaptive process covariance matrix for the cornering stiffnesses, with which only the initial values have to be parameterised. Combining this research encompasses effective and adaptive method for a better quality of estimation with a kinematic vehicle model which behaves like a real world vehicle, at least virtually.This study is carried out with the understanding of various optimal estimators, parametric sensitivity analysis and statistical inferences, facilitating a base for robust estimation. Keywords: kalametric, state estimation, design matrix, aliasing, kalman filter, projection algorithm, resolution / Konceptet Integrated Vehicle Dynamics Control (IVDC) kan påverka fordonets beteende både longitudinellt och lateralt med bara ett regler koncept iett övre lager och ytterligare regulatorer på lägre nivåer. Detta kräver tillståndsuppskattning av fordonet som också inkluderar uppskattning av parametrar av intresse för en fordonsdynamiker. Tillvägagångssättet för denna studie är för det första att utveckla en robust tillståndsestimering med hjälp av ett Unscented Kalman Filter (UKF) för att uppskatta ett fordons avdriftsvinkel och även för uppskattning av ett däcks sidkraftskoefficient, vilket sedan används i den befintliga modell-prediktiva regleralgoritmen (MPCA) för att förbättra lateralstabiliteten hos fordonet för de olika studerade manövrarna. Baserat på denna utveckling skapades två typer av filter, ett med anpassning av avståndet mellan tyngdpunkten (COG) och krängcentrumhöjden och ett annat utan anpassning. Nyckelfaktorn i estimeringsutvecklingen är den tidsberoende adaptiva inställningenav processkovariansmatrisen för sidkraftskoefficienterna, med vilken endast de initiala värdena behöver parametriseras. Efter filterutvecklingen identifieras parametrar baserade på en förväntad kundanvändning och en statistisk variansanalys (ANOVA) utförs för att bestämma de mest inflytelserika faktorerna i gruppen. En parameteroptimering utförs för att förbättra uppskattningskvaliteten. Kombinationen av detta arbete omfattar en effektiv och anpassningsbar metod för en bättre uppskattningskvalitet med en kinematisk fordonsmodell som har en fordonsrespons som ett verkligt fordon, åtminstone praktiskt taget. Denna studie har genomförts med förståelse för olika optimala estimatorer, parametrisk känslighetsanalys och statistiska slutsatser, vilket underlättaren bas för robust uppskattning. Nyckelord: kalametric, tillståndsestimering, designmatris, vikningsdistorsion, kalmanfilter,projection algorithm, upplösning