Att klippa sly är en uppgift som behöver uträttas på plats där det växer, vilket oftast är ute i skogen. Skogen är för en maskin sällan en väldefinierad miljö och förhållanden som arbetet ska uträttas i förändras konstant. Att automatisera arbete som ska uträttas i svårkontrollerad miljö innebär många utmaningar, moment som för en människa är triviala är ofta inte möjliga för en maskin som arbetar under föränderliga omständigheter. Det här arbetet undersöker vilka typer av verktyg som kranarm och mjukvara som kan användas för att lösa den typen av problem samt ett förslag till en praktisk lösning på problemet med slyklippning med hjälp av dessa verktyg. Projektet avslutades då lösningsförslaget fortfarande är i prototypstadium och är inte ämnat för industri utan behöver vidare förfining innan lösningen kan tillämpas i praktiken. / Cutting brush wood is a task that needs to be performed where it grows, which is usually in a forest. The forest is an environment that is difficult to map for a machine and the environment the task is to be performed in is constantly changing. To automate a task that is to be performed in such environment comes with a range of challenges, tasks that are trivial for a human being may not be possible for a machine that is working inside a shifting environment. This thesis is looking at what type of tools such as jib and software may be used to solve these types of problems and will also present a proposed practical solution for brush wood cutting using these tools. The projects cut-off was at a prototype state and is not meant for industrial application but will need some further refinement before it is applied practically.

The purpose of this study was to explore differences in movement initiation and execution, and their associations with amount of physical activity (PA) and cognitive abilities, in 6 to 8 year old children born PT compared to peers born at term. The sample consisted of in total 78 children divided in subgroups, 16 born very preterm (VPT), 24 born moderate preterm (MPT) and 38 age matched controls born at term (FT) with no diagnosed cognitive or motor impairments. Three-dimensional (3D) kinematic recordings of wrist movements during two bimanual tapping tasks (horizontal and vertical) were finalized and kinematic outcome measures were investigated in relation to PA and performance on WISC-IV. Children born VPT showed significantly longer Latency times and longer Duration of movement execution compared to children born MPT and FT. No significant within group correlations between PA and movement performance were found. Duration of movement execution and Total duration of movement execution were negatively associated with Full-scale intelligence quotient (FSIQ) and processing speed index (SI) in the PT group. Early school aged children born VPT need longer planning time to initiate and execute goal directed bimanual movements, compared to peers born MPT and FT. Kinematic performance did not evidently associate with amount of PA, although kinematics, by means of longer Latency time and Duration of movement execution, negatively associated with SI. / Syftet med denna studie var att undersöka skillnader i initiering och utförande av en rörelse samt deras associationer med fysisk aktivitet och kognitiv förmåga hos förtidigt födda barn i åldrarna 6 till 8 år samt åldersmatchade fullgångna jämnåriga barn. Urvalet bestod av total 78 barn uppdelade i subgrupper, 16 väldigt förtidigt födda, 24 moderat förtidigt födda och 38 åldersmatchade fullgångna kontroller utan några kända kognitiva eller motoriska nedsättningar. Tredimensionella (3D) kinematiska registreringar av handledsrörelser under två bimanuella knapptrycksuppgifter (horisontell och vertikal) genomfördes. Utfallet av rörelsemätningarna studerades i association till fysisk aktivitet och resultat på WISC-IV. Väldigt förtidigt födda barn visade längre latenstid och längre duration av rörelse jämfört med moderat förtidigt födda och fullgångna barn. Inga signifikanta inom grupps korrelationer mellan fysisk aktivitet och rörelseutförande hittades. Utförandets duration samt hela utförandets duration associerade negativt med IQ kvot och processhastighet (SI) hos för tidigt födda barn. Väldigt förtidigt födda barn i tidig skolålder behöver mer tid till rörelseplanering, initiering och utförande av viljestyrda målinriktade rörelser jämfört med jämnåriga barn födda senare i graviditeten. Kinematiskt utfall associerade inte signifikant med fysisk aktivitet, däremot associerade kinematiskt utfall, i form av längre latenstid och duration av utförande, negativt med kognitiv processhastighet.

Motion planning consists of finding a feasible path of an object between an initial state and a goal state, and commonly constitutes a sub-system of a larger autonomous system. Motion planners that utilize sampling-based algorithms create an implicit representation of the search space via sampling said search space. Autonomous systems that rely on real-time motion planning benefit from the ability of these algorithms to quickly compute paths that are optimal or near optimal. For sampling-based motion planning algorithms, the sampling strategy greatly affects the convergence speed of finding these paths, i.e., how the sampling distribution is shaped within the search space. In baseline approaches, the samples may be drawn with uniform probability over this space. This thesis project explores a learning-based approach that can utilize experience from previous successful motion plans to provide useful information in novel planning scenarios, as a means of improvement over conventional motion planning methods. Specifically, the focus has been on learning the sampling distributions in both the state space and the control space of an autonomous ground vehicle. The innovatory parts of this work consist of (i) learning the control space sampling distributions, and (ii) learning said distributions for a tractor-trailer system. At the core of the method is an artificial neural network consisting of a conditional variational autoencoder. This artificial neural network is capable of learning suitable sampling distributions in both the state space and control space of a vehicle in different planning scenarios. The method is tested in four different environments and for two kinds of vehicles. Evaluation is partly done by comparison of results with a conventional motion planning algorithm. These evaluations indicates that the artificial neural network can produce valuable information in novel planning scenarios. Future work, primarily on how the artificial neural network may be applied to motion planning algorithms, is necessary to draw further conclusions. / Rörelseplanering består av att hitta en genomförbar bana för ett objekt mellan ett initialtillstånd och ett måltillstånd, och utgör vanligtvis ett delsystem av ett större autonomt system. Rörelseplanerare som använder provtagningssbaserade algoritmer skapar en implicit representation av sökutrymmet via provtagning av sökutrymmet. Autonoma system som förlitar sig på rörelseplanering i realtid drar nytta av dessa algoritmers förmåga att snabbt beräkna banor som är optimala eller nästan optimala. För provtagningssbaserade rörelseplaneringsalgoritmer påverkar provtagningsstrategin i hög grad konvergenshastigheten för att hitta dessa vägar, dvs. hur provtagningsfördelningen är formad inom sökutrymmet. I standardmetoder kan stickproven dras med jämn sannolikhet över detta utrymme. Detta examensarbete utforskar en lärande-baserat metod som kan utnyttja erfarenheter från tidigare lyckade rörelseplaner för att tillhandahålla användbar information i nya planeringsscenarier, som ett medel för förbättring jämfört med konventionella rörelseplaneringsmetoder. Specifikt har fokus legat på att lära sig provtagningssfördelningarna i både tillståndsrummet och styrsignals-rummet för ett autonomt markfordon. De nyskapande delarna av detta arbete består av att (i) lära sig kontrollutrymmessamplingsfördelningarna, och (ii) inlärning av nämnda provtagningsfördelningarna för ett traktor-släpsystem. Kärnan i metoden är ett artificiellt neuralt nätverk bestående av en conditional variational autoencoder. Detta artificiella neurala nätverk är kapabelt att lära sig lämpliga provtagningsfördelningar i både tillståndsrummet och kontrollrummet för ett fordon i olika planeringsscenarier. Metoden testas i fyra olika miljöer och för två olika av fordon. Utvärdering görs delvis genom jämförelse av resultat med en konventionell rörelseplaneringsalgoritm. Dessa utvärderingar tyder på att det artificiella neurala nätverket kan producera värdefull information i nya planeringsscenarier. Mer forskning, i första hand med hur det artificiella neurala nätverket kan tillämpas på rörelseplaneringsalgoritmer, är nödvändigt för att dra ytterligare slutsatser.

The inherited rotation in a caster wheel allows movement in any direction, but pays at the expense of reaction torques. When implemented in a mobile robot, these forces have a negative impact in its performance. One approach is to restrict rotations on the spot by attaching a filter to the output of the motion planner. However, this formulation compromises the navigation’s completion in critical scenarios, such as parking, taking curves in narrow corridors or navigating at the presence of a high density of obstacles. Therefore, in this thesis we consider the influence of caster wheels in the motion planning stage, commonly presented as local planning. This work proposes a Model Predictive Control (MPC) based local planner that integrates the caster wheel physics into the motion planning stage. A caster wheel aware term is combined with a reference tracking based navigation, which leads to the formulation of the Caster Wheel Aware Local Planner (CWAWLP). Since this method requires knowing the caster wheel’s state and there is no sensor that provides this information, a caster wheel state observer is also formulated. In order to evaluate the impact of the caster wheel aware term, CWAWLP is compared to a Caster Wheel based Agnostic Local Planner (CWAGLP) and a Caster Wheel based Agnostic Planner Local Planner with Path Filter (CWPFLP). After running simulations for three case studies in a virtual framework, two experimental case studies are conducted in an intra-logistics robot. These are evaluated according to the navigation’s quality, motor torque usage and energy consumption. According to the patterns observed in the evaluation, CWAWLP covers a longer distance than CWAGLP wihout decreasing the navigation’s quality. At the same time, its motor torques are similar to the ones of CWPFLP. Therefore, CWAWLP is capable of considering caster wheel physics without sacrificing navigation capabilities. The formulated caster wheel aware term is compatible with any MPC based navigation algorithm and inherits the derivation of an observer capable of estimating caster wheel rotation angles and rolling speeds. Even if the caster wheel awareness has been implemented in a differential driven robot, this approach is also applicable to vehicles with an alternative drivetrain, such as car-like robots. / Den ärvda rotationen i ett hjul möjliggör rörelse i vilken riktning som helst, men fås på bekostnad av reaktionsmoment. När de implementeras i en mobil robot har dessa krafter en negativ inverkan på dess prestanda. Ett tillvägagångssätt är att begränsa rotationer på plats genom att applicera ett filter på rörelseplannerns utgång. Denna formulering komprometterar dock navigeringens slutförande i kritiska scenarier, såsom parkering, kurvor i smala korridorer eller navigering i närheten av höga hinder. Därför beaktar vi i denna avhandling påverkan av hjul på hjulplaneringen, som ofta presenteras som lokal planering. Detta arbete föreslår en Model Predictive Control (MPC) -baserad lokal planerare som integrerar svängbara länkhjuls fysik i rörelseplaneringsstadiet. En kugghjulmedveten term kombineras med en referensspårningsbaserad navigering, vilket leder till formuleringen av Caster Wheel Aware Local Planner (CWAWLP). Eftersom denna metod kräver kunskap om svängbara länkhjuls tillstånd och det inte finns någon sensor som ger denna information, formuleras också en hjulhjulstillståndsobservatör. För att utvärdera effekten av det medvetna begreppet svängbara änkhjul jämförs CWAWLP med en Caster Wheel-baserad Agnostic Local Planner (CWAGLP) och en Caster Wheel-baserad Agnostic Planner Local Planner with Path Filter (CWPFLP). Efter att ha kört simuleringar för tre fallstudier i ett virtuellt ramverk genomförs två experimentella fallstudier i en intra-logistikrobot. Dessa utvärderas enligt navigeringens kvalitet, vridmomentanvändning och energiförbrukning. Enligt de mönster som observerats i utvärderingen når CWAWLP ett längre avstånd än CWAGLP utan att sänka navigeringens kvalitet. Samtidigt liknar motorns vridmoment dem som CWPFLP. Därför kan CWAWLP ta hänsyn till svängbara länkhjuls fysik utan att offra navigationsfunktionerna. Den formulerade medhjulningsmedveten termen är kompatibel med vilken MPC-baserad navigationsalgoritm som helst och ärver härledningen av en observatör som kan uppskatta hjulets rotationsvinklar och rullningshastigheter. Även om hjulhjälpmedvetenheten har implementerats i en differentierad robot, är detta tillvägagångssätt också tillämpligt på fordon med ett alternativt drivsystem, såsom billiknande robotar.

Motion planning is an essential component of an autonomous system. This project aims to design a motion planning module to automate the screwing process of radio units. The goal is to choose and implement a motion planner that provides the speed, precision, and efficiency required for the screwing task on a radio filter with a large number of holes located close to each other. Four control-based motion planners were investigated on a 6 Degrees Of Freedom (DOF) robot arm in Robot Operating System (ROS). The investigated motion planners are Rapidly-exploring Random Trees, The Kinodynamic Motion Planning by Interior-Exterior Cell Exploration (KPIECE), The Path- Directed subdivision Trees (PDST), Expansive Space Trees (EST). All these planners are available in The Open Motion Planning Library (OMPL). The motion planners were implemented on a simulated version of a UR5 robot arm. This simulated model is generated by the MoveIt Setup Assistant, which is the primary tool for creating configuration files for kinematics chains in MoveIt. ROS is the chosen platform to design various control methods and motion planning algorithms. Hence two primary workspaces have been created. These workspaces contain several packages and nodes with multiple tasks such as motion planning, visualization, and data extraction. All the nodes communicate using ROS communication tools such as massages services and action client services. Furthermore, this project covers also test and benchmarking all the mentioned planners to determine which planner provides optimal performance in different environments. The planner’s performance is evaluated by designing two experiments in three benchmarking scenarios. The first test is intended to determine how the planners perform a motion planning task similar to an actual screwing process of a radio filter. The purpose of the second experiment is to investigate how the planners perform as the density of the obstacles increase. The performances of the planners have been analyzed and compared with each other using different benchmarking tools such as the planner arena. Result of this project indicates, KPIECE and EST can outperform the state-of-the- art planner, RRT-Connect in some and metrics, especially in an environment with a low obstacles density. However, RRT-Connect is still superior in more dense and complicated settings. / Rörelseplanering är en viktig komponent i ett automatiserat system. Detta projekt syftar till att designa en rörelseplaneringsmodul för att automatisera skruvningen av radioenheter. Målet är att implementera en rörelseplanerare som kan frambringa den hastighet, noggrannhet och effektivitet som krävs för en automatiserad skruvdragare. Skruvdragarens uppgift är att skruva ett antal hål placerade nära varandra på en radiofilter. Denna upsats har undersökt fyra kontrollbaserade rörelseplanerare på en 6 Degrees Of Freedom (DOF) robotarm med hjälp av Robot Operating System (ROS). De undersökta rörelseplanerarna är Rapidly-Exploring Random Trees, The Kinodynamic Motion Planning by Interior-Exterior Cell Exploration (KPIECE), The Path- Directed subdivision Trees (PDST) och Expansive Space Trees (EST)som är tillgängliga i Open Motion The Open Motion Planning Library (OMPL). Planerarna implementeras på en simulerad UR5-robotarm, genererad av MoveIt Setup Assistant, som är det primära verktyget för att skapa konfigurationsfiler för kinematikkedjor i MoveIt. ROS är den valda plattformen för att designa styrmetoder och rörelseplaneringens algoritmer vilket medför att två arbetsytor har skapats. Dessa arbetsytor innehåller flera paket och noder med flera uppgifter bland annat rörelseplanering, visualisering och dataextraktion. Alla noder kommunicerar med varandra genom ROS kommunikationsverktyg liksom massagetjänster och action-client tjänster. Detta projekt omfattar även benchmarkingäv alla ovannämnda planerare för att avgöra vilken of dessa planerare kan åstadkomma en optimal prestanda i olika miljöer. Planerarens prestanda utvärderas genom att designa två experiment i tre benchmarking-scenarier. Det första testet är avsett att bestämma hur en planerare utför en rörelseplaneringsuppgift vilket liknar en verklig skruvprocess för en radioenhet. Andra experimentet är att undersöka hur planerarna presterade när tätheten av hindren ökar. Planerarnas prestationer har analyserats och jämförts med varandra med hjälp av olika benchmarkingverktyger, till exemple Planer Arena. Enligt resultatet av detta projekt kan KPIECE och EST prestera bättre jämfort med den senaste planeraren RRT-Connect i vissa områden, särskilt i ett miljö med låg hindertäthet. RRT-Connect är dock fortfarande överlägsen i mer täta och komplicerade miljöer.

This project proposes an adaptation of the dRRT* algorithm, a samplingbased multi-robot planner, for real-time industrial automation scenarios. The main objectives include optimizing computationally expensive sections of the algorithm, solving partially specified multi-robot problems, and evaluating the performance of the resulting method in various industry-like scenarios. The proposed algorithm, called Fast-dRRT*, aims to achieve highquality collision-free paths within strict time constraints. To accomplish this, the project introduces modifications to the dRRT* algorithm, such as the utilization of pre-computed swept volumes for efficient collision detection. The performance of four multi-robot planners, namely dRRT, ao-dRRT, dRRT*, and Fast-dRRT*, is evaluated through experiments on toy scenarios and industrial use cases. The results show that the proposed Fast-dRRT* algorithm outperforms the other planners in terms of finding solutions within the given time limits. It demonstrates improved efficiency, speed, and resilience to increased search spaces and the number of robots. The algorithm’s performance is further evaluated in real-world scenarios, including automotive assembly lines and warehouse automation, where it consistently outperforms dRRT* in terms of search speed and total planning time. Additionally, the algorithm successfully handles partially specified multi-robot problems, optimizing the overall movements’ cost. The study concludes that Fast-dRRT* is a promising option for real-time planning in industrial automation, offering reduced computation time and feasible solutions to complex multi-robot motion planning problems. / Detta projekt föreslår en anpassning av dRRT*-algoritmen, en samplingsbaserad multirobotplanerare, för realtidsscenarier inom industriell automation.. De huvudsakliga målen inkluderar optimering av beräkningskrävande delar av algoritmen, lösning av delvis specificerade multirobotproblem och utvärdering av den resulterande metodens prestanda i olika industriliknande scenarier. Den föreslagna algoritmen, kallad Fast-dRRT*, syftar till att uppnå högkvalitativa kollisionsfria banor inom strikta tidsbegränsningar. För att uppnå detta introducerar projektet modifieringar av dRRT*-algoritmen, såsom användning av förberäknade svepta volymer för effektiv kollisionsdetektering. Prestandan hos fyra multirobotplanerare, nämligen dRRT, ao-dRRT, dRRT* och Fast-dRRT*, utvärderas genom experiment på leksaksscenarier och industriella användningsfall. Resultaten visar att den föreslagna Fast-dRRT*- algoritmen överträffar de andra planerarna när det gäller att hitta lösningar inom de givna tidsgränserna. Den visar förbättrad effektivitet, hastighet och motståndskraft mot ökade sökutrymmen och antalet robotar. Algoritmens prestanda utvärderas vidare i verkliga scenarier, inklusive monteringslinjer för bilar och lagerautomation, där den konsekvent överträffar dRRT* när det gäller sökhastighet och total planeringstid. Dessutom hanterar algoritmen framgångsrikt delvis specificerade multirobotproblem och optimerar den totala rörelsekostnaden. Studien drar slutsatsen att Fast-dRRT* är ett lovande alternativ för realtidsplanering inom industriell automation, eftersom den erbjuder kortare beräkningstid och genomförbara lösningar på komplexa problem med rörelseplanering för multirobotar.

Under senare år har vi med hjälp av robotar som använder rörelseplanering kunnat automatisera olika processer och uppgifter. Idag finns det väldigt få strategier för lokal rörelseplanering vid jämförelse med global rörelseplanering. Syftet med det här projektet har varit att analysera tre strategier för lokal rörelseplanering, dessa har varit Dynamic Window Approach (DWA), Elastic Band (Eband) och Timed Elastic Band (TEB).I projektet har styrkor, svagheter, beteenden och förbättringsmöjligheter för respektive strategi studerats närmare genom att utföra olika simulerade tester. I testerna mätes tid för att nå mål, antal kollisioner och antalet gånger som målet nåddes. Under projektet användes en virtuell allriktad robot från ABB för att testa strategierna. Testerna genomfördes på ett så rättvist sätt som möjligt, där alla strategier fick samma antal försök och hade samma information om robotens begränsningar.Resultatet visar att TEB är den snabbaste strategin, följt av DWA och sista Eband som var den långsammaste strategin. TEB var också den strategi som presterade bäst vid dynamiska hinder, däremot var den också den strategi som kolliderade mest i testerna, medan Eband kolliderade minst. / In recent years, we have been able to automate various processes and tasks with the help of robots that use motion planning. Today, there are very few strategies for local motion planning when compared to global motion planning. The purpose of this project has been to analyze three strategies for local motion planning, these have been Dynamic Window Approach (DWA), Elastic Band (Eband) and Timed Elastic Band (TEB).In the project, strengths, weaknesses, behaviours and opportunities for improvement for each strategy have been studied in more detail by performing various simulated tests. The tests measure time to reach the goal, the number of collisions and the number of succeeding attempts. During the project, a virtual omni-directional robot from ABB was used to perform the tests. The tests were performed in as fair a way as possible, where all strategies got the same number of attempts and had the same information about the robot's limitations.The results show that TEB is the fastest strategy, followed by DWA and last Eband that was the slowest strategy. TEB was also the strategy that performed best in dynamic obstacles, however, it was also the strategy that collided most of the tests, while Eband collided the least.

Autonomous driving technology is continuously evolving at an accelerated pace. The road environment is always uncertain, which requires an evasive manoeuvre that an autonomous vehicle can take. This evasive behaviour to avoid accidents in a critical situation is analogous to autonomous racing that operates at the limits of stable vehicle handling. In autonomous racing, the vehicle must operate in highly nonlinear operating conditions such as high-speed manoeuvre on sharp turns, avoiding obstacles and slippery road conditions. These dynamically changing racing situations require advanced path planning systems with obstacle avoidance executed in real-time. Therefore, the motion planning problem for autonomous racing is analogous to safe and reliable autonomous vehicle operation in critical situations. This thesis project evaluates the application of traction adaptive motion planning to autonomous racing on different road surfaces for a small-scale test vehicle in real-time. The evaluation is based on a state-of-the-art algorithm that uses a combination of optimization, trajectory rollout, and constraint adaption framework called "Sampling Augmented Real-Time Iteration (SAARTI)". SAARTI allows motion planning and control with respect to time-varying vehicle actuation capabilities while taking locally adaptive traction into account for different parts of the track as a constraint. Initially, the SAARTI framework is adapted to work with the SmallVehicles-for-Autonomy (SVEA) system; then, the whole system is simulated in a ROS (Robot Operating System) based SVEA simulator with a Hardware-in-the-loop setup. Later, the same setup is used for the real time experiments that are carried out using the SVEA vehicles, and the different critical scenarios are tested on the SVEA vehicle. The emphasis was given to the experimental results; therefore, the results also consider computationally intensive localization inputs while the motion planner was implemented in real-time instead of a simulation setup. The experimental results showed the impact of planning motions according to an approximately correct friction estimate when the friction parameter was close to the actual value. The results indicated that the traction variation had indeed affected the lap time and trajectory taken by the test vehicle. The lap time is affected significantly when the coefficient of friction value is far away from the real friction coefficient. It is observed that the lap time increased significantly at higher values of friction coefficient, when involving more excessive over-estimation of the traction, leading to the oscillatory motion and lane exits. Furthermore, the non-adaptive case scenario result shows that the test vehicle performed better when given friction parameter inputs to the algorithm approximately equal to the real friction value. / Teknik för autonom körning har utvecklats i snabb takt de senaste åren. Trafikmiljön innehåller många källor till osäkerhet, vilket ibland kräver undanmanövrar av det autonoma fordonet. Undanmanövrar i kritiska situationer är analoga med autonom racing i det avseendet att fordonet opererar nära gränsen av dess fysiska förmåga. I autonom racing måste fordonet fungera i hög grad olinjära driftsförhållanden som höghastighetsmanöver i skarpa svängar, undvika hinder och halt väglag. Dessa dynamiska föränderliga racingsituationer kräver avancerad vägplaneringssystem med undvikande av hinder exekveras i realtid. Därför är rörelseplaneringsproblemet för autonom racing är analogt med det för säkra undanmanövrer i kritiska situationer. Detta examensarbete utvärderar tillämpningen av dragkraft adaptiv till autonom racing på olika väglag för ett småskaligt testfordon i realtid. Utvärderingen baseras på en algoritm som kallas "Sampling Augmented Real Time Iteration (SAARTI)" som tillåter rörelse planering och kontroll med avseende på tidsvarierande fordonsdynamik, på så vis tar algoritmen hänsyn till lokalt varierande väglag. Arbetet började med att integrera SAARTI-ramverket med testplattformen Small-Vehicles-for-Autonomy (SVEA). Därefter utfördes hardware-in-the-loop simuleringar i ROS (Robot Operating System), och därefter utfördes fysiska tester med SVEA plattformen. Under experimenten kördes SAARTI-algoritmen parallellt med en beräkningsintensiv SLAM-algoritm för lokalisering. De experimentella resultaten visade att adaptiv rörelseplanering kan avhjälpa problemet med lokalt varierande väglag, givet att den uppskattade friktionsparametern är approximativt korrekt. Varvtiden påverkas negativt när friktionsskattningen avviker från den verkliga friktionskoefficienten. Vidare observerades att varvtiden ökade vid höga värden på den skattade friktionsparametern, vilket gav upphov till mer aggressiva manövrer, vilket i sin tur gav upphov till oscillerande rörelser och avåkningar.