The integration of electric trailers with battery electric trucks offers a promising solution for extending driving range and improving energy efficiency in long-haul transport. A central challenge is optimizing the torque split between truck and trailer when the trailer’s internal power-loss characteristics are unknown and proprietary. This thesis addresses this challenge by developing a safe online learning and control framework that enables the truck to identify the trailer’s loss behavior during operation and leverage this knowledge for energy-efficient coordination. The framework is modular, consisting of four interconnected blocks: learning, exploration, safety simulation, and control allocation. Learning is performed using Recursive Least Squares (RLS) as a lightweight parametric baseline and Gaussian Process (GP) regression as a non-parametric, uncertainty-aware alternative. Exploration is guided by heuristic coverage and Bayesian Optimization- inspired strategies, while safety is enforced via short-horizon dynamic simulations and Control Barrier Functions (CBFs). The learned trailer power-loss model is then embedded in optimization-based control allocation, solved via Quadratic Programming for RLS and Sequential Quadratic Programming for GP-based models. Simulation studies on drive cycles show that GP models achieve up to 97% learning accuracy, reduce energy consumption by 2-4% compared to baseline strategies, and operate within 1% of an oracle with full trailer knowledge, all while preserving safety against jackknifing and trailer swing. These findings highlight the feasibility and benefits of safe online learning for articulated electric vehicles and provide insight into future deployment of data-driven control in heavy-duty transport.

Integrationen av elektriska släpvagnar med batterielektriska lastbilar erbjuder en lovande lösning för att förlänga körsträckan och förbättra energieffektiviteten inom fjärrtransporter. En central utmaning är att optimera vridmomentsfördelningen mellan lastbil och släp när släpets interna effektförluster är okända och proprietära. Denna avhandling behandlar denna utmaning genom att utveckla ett säkert ramverk för onlineinlärning och styrning som gör det möjligt för lastbilen att identifiera släpets förlustbeteende under drift och utnyttja denna kunskap för energieffektiv samordning. Ramverket är modulärt och består av fyra sammankopplade block: inlärning, utforskning, säkerhetssimulering och styrallokering. Inlärningen genomförs med Recursive Least Squares (RLS) som en lättviktig parametrisk baslinje och Gaussian Process (GP)-regression som ett icke-parametriskt, osäkerhetsmedvetet alternativ. Utforskningen styrs av heuristisk täckning och strategier inspirerade av Bayesisk optimering, medan säkerheten garanteras genom korttidsdynamiska simuleringar och Control Barrier Functions (CBFs). Den inlärda modellen av släpets effektförluster används sedan i en optimeringsbaserad styrallokering, löst med kvadratisk programmering för RLS och sekventiell kvadratisk programmering för GP-baserade modeller. Simuleringsstudier på körcykler visar att GP-modeller uppnår upp till 97% inlärningsnoggrannhet, minskar energiförbrukningen med 2–4% jämfört med baslinjestrategier och fungerar inom 1% av ett orakel med full kännedom om släpet, samtidigt som säkerheten mot fällknivs- och slängrörelser bevaras. Dessa resultat visar på genomförbarheten och fördelarna med säker onlineinlärning för ledbundna elfordon och ger insikter för framtida implementering av databaserad styrning inom tung transport.