Optimizing routes for multiple autonomous vehiclesin complex traffic situations can lead to improved efficiency intraffic. Attempting to solve these optimization problems centrally,i.e. for all vehicles involved, often lead to algorithms that exhibitthe curse of dimensionality: that is, the computation time andmemory needed scale exponentially with the number of vehiclesresulting in infeasible calculations for moderate number ofvehicles. However, using a numerical framework called tensordecomposition one can calculate and store solutions for theseproblems in a more manageable way. In this project, we investi-gate different tensor decomposition methods and correspondingalgorithms for solving optimal control problems, by evaluatingtheir accuracy for a known solution. We also formulate complextraffic situations as optimal control problems and solve them.We do this by using the best tensor decomposition and carefullyadjusting different cost parameters. From these results it canbe concluded that the Sequential Alternating Least Squaresalgorithm used with canonical tensor decomposition performedthe best. By asserting a smooth cost function one can solve certainscenarios and acquire satisfactory solutions, but it requiresextensive testing to achieve such results, since numerical errorsoften can occur as a result of an ill-formed problem. / Att optimera färdvägen för flertalet au-tonoma fordon i komplexa trafiksituationer kan leda till effekti-vare trafik. Om man försöker lösa dessa optimeringsproblemcentralt, för alla fordon samtidigt, leder det ofta till algorit-mer som uppvisar The curse of dimensionality, vilket är då beräkningstiden och minnes-användandet växer exponentielltmed antalet fordon. Detta gör många problem olösbara för endasten måttlig mängd fordon. Däremot kan sådana problem hanterasgenom numeriska verktyg så som tensornedbrytning. I det här projektet undersöker vi olika metoder för tensornedbrytningoch motsvarandes algoritmer för att lösa optimala styrproblem,genom att jämföra dessa för ett problem med en känd lösning.Dessutom formulerar vi komplexa trafiksituationer som optimalastyrproblem för att sedan lösa dem. Detta gör vi genom attanvända den bästa tensornedbrytningen och genom att noggrantanpassa kostnadsparametrar. Från dessa resultat framgår det att Sequential Alternating Least Squaresalgoritmen, tillsammans medkanonisk tensornedbrytning, överträffade de andra algoritmersom testades. De komplexa trafiksituationerna kan lösas genomatt ansätta släta kostnadsfunktioner, men det kräver omfattandetestning för att uppnå sådana resultat då numeriska fel lätt kan uppstå som ett resultat av dålig problemformulering. / Kandidatexjobb i elektroteknik 2020, KTH, Stockholm