The vehicle industry is moving towards electrification and autonomous driving. Improvements in actuators and sensor technology have enabled greater degree of control for safe operation of such autonomous vehicles. These vehicles use a lot of information about the surrounding environment to manage the vehicle power demands. The external resistive forces to be overcome by the vehicle contributes to most of the demands. Measurement of all these external forces is sometimes impractical and inaccurate. Rolling resistance is one such resistive force that cannot be measured directly using sensors. However, using advanced control methods like parameter estimation, it is possible to combine a system model and available sensor information to estimate such unknown parameters. With this information, it is viable to model the vehicle system accurately and manage the energy demands while the vehicle is running. Such online estimation and control strategies are vital for highly autonomous systems like the electric dumper TA 15, developed by Volvo Construction Equipment, that navigates through challenging terrains like quarries and mines. This thesis work aims to recursively estimate the rolling resistance coefficient for TA 15 using two estimation techniques, namely, Recursive Least Square (RLS) and Extended Kalman Filter (EKF). By using available sensor information on vehicle velocity, motor torque, inclination and vehicle mass, it is possible to accurately estimate the rolling resistance coefficient from a longitudinal vehicle model. A vehicle model is setup virtually to test different input scenarios and the estimators are tuned accordingly. Finally, the estimators are run offline using real data from the vehicle to extract the unknown rolling resistance coefficient. It can be concluded that it is difficult to estimate rolling resistance separately without any information about vehicle mass and road slope. However, when accurate mass and road slope information are available, the rolling resistance estimate tends to fall within acceptable range for the vehicle under consideration. Although the RLS estimator is straightforward and efficient for linear systems, its usefulness in complex real-world situations is limited by its inability to handle non-linear dynamics and vulnerability to initial assumptions and noise. The EKF is the recommended option for estimating the rolling resistance coefficient, out of the two investigated methods, due to its greater sensor fusion capabilities, robustness, and adaptability. However, based on the results, there may be other better estimation methods that should be explored.

Fordonsindustrin rör sig mot elektrifiering och autonom körning. Förbättringar inom ställdon och sensorteknik har möjliggjort en högre grad av reglering för säker drift av sådana autonoma fordon. Dessa fordon använder en mängd information om omgivningen för att hantera fordonets effektbehov. De motståndskrafter som fordonet måste övervinna utgör större delen av fordonets effektbehov. Mätning av alla dessa externa krafter är ibland opraktiskt och felaktigt. Rullmotståndet är en sådan resistiv kraft som inte kan mätas direkt med hjälp av sensorer. Med hjälp av avancerade reglermetoder som parameteruppskattning är det dock möjligt att kombinera en systemmodell och tillgänglig sensorinformation för att uppskatta sådana okända parametrar. Med hjälp av denna information är det möjligt att modellera fordonssystemet på ett korrekt sätt och även hantera energibehovet när fordonet är i drift. Sådana online-skattnings- och reglerstrategier är avgörande för mycket autonoma system som den elektriska dumpern TA 15, som har utvecklats av Volvo Construction Equipment, och som navigerar i utmanande terräng som stenbrott och gruvor. Målet med detta examensarbete är att för TA 15 rekursivt uppskatta rullmotståndskoefficienten med hjälp av två uppskattningstekniker, nämligen Rekursiva minsta kvadrat metoden (RLS) och utökat Kalman Filter (EKF). Genom att använda tillgänglig sensorinformation om fordonshastighet, motorns vridmoment, lutning och fordonsvikt är det möjligt att göra en noggrann uppskattning av rullmotståndskoefficienten från en longitudinell fordonsmodell. En fordonsmodell sätts upp virtuellt för att testa olika indatascenarier och estimatorerna justeras därefter. Slutligen körs estimatorerna offline med hjälp av verkliga data från fordonet för att extrahera den okända rullmotståndskoefficienten. Från det genomförda arbetet kan slutsatsen dras att det är svårt att uppskatta rullmotståndet separat utan någon information om fordonets vikt och vägens lutning. Men när korrekt information om massa och väglutning finns tillgänglig tenderar uppskattningen av rullmotståndet att hamna inom ett acceptabelt intervall för det aktuella fordonet. Även om RLS-skattaren är enkel och effektiv för linjära system, begränsas dess användbarhet i komplexa verklighetssituationer av dess oförmåga att hantera icke-linjär dynamik och sårbarhet för begynnelsevillkor och brus. EKF är det rekommenderade alternativet, baserat på de två undersökta metoderna, för att uppskatta rullmotståndskoefficienten på grund av dess sensorfusionsförmåga, robusthet och anpassningsförmåga. Men beserat på resultaten kan det finnas andra uppskattningsmetoder som är bätter som bör undersökas.