This thesis presents an estimator to assist or replace a fighter aircraft’s air datasystem (ADS). The estimator is based on machine learning and LSTM neuralnetworks and uses the statistical correlation between states to estimate the angleof attack, angle of sideslip and Mach number using only the internal sensorsof the aircraft. The model is trained and extensively tested on a fighter jetsimulation model and shows promising results. The methodology and accuracyof the estimator are discussed, together with how a real-world implementationwould work. The estimators presented should act as a proof of concept of thepower of neural networks in state estimation, whilst the report discusses theirstrengths and weaknesses. The estimators can estimate the three targets wellin a vast envelope of altitudes, speeds, winds and manoeuvres. However, thetechnology is quite far from real-world implementation as it lacks transparencybut shows promising potential for future development. / Det här examensarbetet presenterar en estimator för att hjälpa eller ersätta ettstridsflygplans luftdatasystem (ADS). Estimatorn är baserad på maskininlärningoch LSTM neurala nätverk och använder statistisk korrelation mellan tillstånd föratt uppskatta anfallsvinkeln, sidglidningsvinkel och Mach-tal endast med hjälpav flygplanets interna sensorer. Modellen är tränad och utförligt testad på ensimuleringsmodell för stridsflygplan och visar lovande resultat. Estimatornsmetodik och noggrannhet diskuteras, tillsammans med hur en implementeringi verkligheten skulle fungera. De presenterade estimatorerna bör fungera somett “proof of concept” för kraften hos neurala nätverk för tillståndsuppskattning,medan rapporten diskuterar deras styrkor och svagheter. Estimatorerna kanuppskatta de tre tillstånden väl i ett stort spektra av altituder, hastigheter, vindaroch manövrar. Tekniken är dock ganska långt ifrån en verklig implementeringeftersom den saknar transparens, men visar lovande potential för framtidautveckling.

The (Battery management system)BMS has the task of ensuring that for the individual bat-tery cell parameters such as the allowed operating voltage window or the allowable temperature range are not violated. Since the battery itself is a highly distinct nonlinear electrochemical de-vice it is hard to detect its internal characteristics directly. The requirement of predicting battery packs’ present operating condition will become one of the most important task for the BMS. Therefore, special algorithms for battery monitoring are required.In this thesis, a model based battery state estimation technique using an adaptive filter tech-nology is investigated. Different battery models are studied in terms of complexity and accuracy. Following up with the introduction of different adaptive filter technology, the implementation of these methods into battery management system is decribed. Evaluations on different estimation methods are implemented from the point of view of the dynamic performance, the requirement on the computing power and the accuracy of the estimation. Real test drive data will be used as a reference to compare the result with the estimation value. Characteristics of different moni-toring methods and models are reported in this work. Finally, the trade-offs between different monitor’s performance and their computational complexity are analyzed. / BMS (eng. battery management system) har till uppgift att se till att viktiga parametrar såsom tillspännings- och temperaturintervall upprätthålls för varje individuell battericell. Då en battericells beteende är ickelinjärt är det svårt att bestämma cellens interna karakteristika direkt. Att kunna förutsäga dessa karakteristika för ett komplett batteripack kommer att en mycket viktig funktion hos framtida BMS. I detta examensarbete har en modellbaserad tillståndsestimeringsmetod med användande av adaptiv filtrering undersökts. Olika batterimodeller har studerats med avseende på komplexitet och noggrannhet. Efter introduktionen av olika metoder för adaptiv filtrering har dessa metoder implementerats i en BMS modell. Utvärdering av de olika metoderna för att åstadkomma tillståndsestimering har sedan utförts med avseende på dynamisk prestanda, krav på beräkningskraft och noggrannhet hos de resulterande estimaten. Data från uppmätta kördata från ett fordon har använts som referens för att jämföra de olika estimaten. Slutligen presenteras en jämförelse mellan de olika tillståndsestimeringsmetodernas prestanda när de appliceras på de olika batterimodellerna.

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

Remote Electrical Tilt (RET) is a method for configuring antenna downtilt in base stations to optimize mobile network performance. Reinforcement Learning (RL) is an approach to automating the process by letting an agent learn an optimal control strategy and adapt to the dynamic environment. Applying RL in real world comes with challenges, for the RET problem there are performance requirements and partial observability of the system through exogenous factors inducing noise in observations. This thesis proposes a solution method through modeling the problem by a Partially Observable Markov Decision Process (POMDP). The set of hidden states are modeled as a high- level representation of situations requiring one of the possible actions uptilt, downtilt, no change. From this model, a Bayesian Neural Network (BNN) is trained to predict an observation model, relating observed Key Performance Indicators (KPIs) to the hidden states. The observation model is used for estimating belief state probabilities of each hidden state, from which decision of control action is made through a restrictive threshold policy. Experiments comparing the method to a baseline Deep Q- network (DQN) agent shows the method able to reach the same average performance increase as the baseline while outperforming the baseline in two metrics important for robust and safe control behaviour, the worst- case minimum reward increase and the average reward increase per number of tilt actions. / Fjärrstyrning av Elektrisk Lutning (FEL) är en metod för att reglera lutningen av antenner i basstationer för att optimera presentandan i ett mobilnätverk. Förstärkande Inlärning (FI) används som metod för att automatisera processen genom att låta en agent lära sig en optimal strategi för reglering och anpassa sig till den dynamiska miljön. Att tillämpa FI i ett verkligt scenario innebär utmaningar, för FEL specifikt finns det krav på en viss nivå av prestanda samt endast en delvis observerbarhet av systemet på grund av externa faktorer som orsakar brus i observationerna. I detta arbete föreslås en metod för att hantera detta genom att modellera problemet som en Delvis Observerbar Markovprocess (DOM). De dolda tillstånden modelleras för att representera situationer där var och en av de möjliga aktionerna behövs, det vill säga att luta antennen upp, ner eller inte ändra på lutningen. Utifrån denna modellering så tränas ett Bayesiskt Neuralt Nätverk (BNN) för att estimera en observationsmodel som kopplar observerade nyckeltal till de dolda tillstånden. Denna observationsmodel används för att estimera sannolikheten att vardera dolt tillstånd är det rätta. Utifrån dessa sannolikheter så görs valet av aktion genom ett tröskelvärde på sannolikheterna. Genom experiment som jämför metoden med en standardimplementering av en agent baserad på ett Djupt Qnätverk (DQN) visas att metoden har samma prestation när det kommer till en medelnivå på prestandaökning i nätverket. Metoden överträffar dock standardmetoden i två andra mätvärden som är viktiga ur aspekten säker och robust reglering, minimumvärdet på prestandaökningen samt medelökningen av prestandan per antal up- och nerlutningar som används.