Framsteg inom teknik gör maskinintelligens möjlig med fördelar i kostnad, säkerhet och hållbarhet. Volvo CE har introducerat ett autonomt hjullastarkocept, då de rör sig mot automation och maskinintelligens inom byggbranchen. 

Som bidrog till detta forskningsfält utforskar denna avhandling fyra olika banföjlningsalogritmer - pure-pursuit, optimized look-ahead distance pure-pursuit algorithm(OLDPPA), Stanley och successiv linjäriserad modellprediktiv reglering (MPC) - och jämför med avseende på beräkningsbelastning, vägavvikelse, energieffektivitet och robusthet mot störningar.

En dynamisk bicycle-modell utvecklades och validerades mot en nerskalad hjullastarprototyp. Parametrar från den fysiska prototypen som användes i fordonsmodellen mättes genom empiriska experiment. Därefter testades regleralgoritmerna på fordonsmodellen med hjälp av flera slumpmässiga vägar genererade av en RRT*-algoritm.

Resultaten visar att MPC är mer beräkningstung, men har fördelar i prestanda och robusthet mot störningar. OLDPPA producerade större vägavvikelse an pure-pursuit-algoritmen med ett fast look-ahead-avstånd, vilket motsäger vad tidigare studier har visat. Pure-pursuit-algoritmen visade prestanda jämförbar med MPC men var mer mottaglig för störningar, medan Stanley-regulatorn visade motsatta resultat. Förutom att följa vägen föreslås en utvidgning av MPC-arkitekturen för att möjliggöra punktstabilisering i slutet av vägen som en framtida studie.

Advancements in technology is making machine intelligence possible with benefits in cost, safety and sustainability. Volvo CE has introduced an autonomous wheel loader concept, as they are moving towards more automation and machine intelligence in construction.

In contribution to this field of research, this thesis explores four different path following control algorithms - pure-pursuit, OLDPPA, Stanley and successive linearized model predictive control (MPC) - and compares them in terms of computational demands, path deviation, energy efficiency, and robustness against disturbances.

A dynamic bicycle model was developed and validated against a scaled prototype wheel loader. Parameters from the physical prototype used in the vehicle model were measured though empirical experiments. Next, the control algorithms were tested on the vehicle model using multiple random paths generated by a RRT* algorithm.

Results show that the MPC is more computationally heavy, but has benefits in performance and robustness against disturbances. The OLDPPA produced larger path deviation than the fixed look-ahead distance pure-pursuit algorithm, contradicting what previous studies have shown. The pure-pursuit algorithm showed performance comparable to the MPC but was more susceptible to disturbance, while the Stanley controller showed the opposite results. Apart from path following, expanding the MPC architecture to allow for point stabilization at the end of the path is proposed as a futurestudy.