Autonomous trucks are expected to play an important role in future freight transport, but their deployment beyond favorable weather conditions remains an open challenge. Winter roads are especially demanding for semitrailer trucks. Snow and ice reduce tire-road friction, increase stopping distances, limit steering capability, and may lead to vehicle instabilities such as jackknifing or trailer swing. For autonomous driving systems, this means that the vehicle must not only follow a planned trajectory, but also understand when the road surface makes the planned motion unsafe or physically infeasible. 

This thesis studies autonomous motion control of semitrailer trucks in lowfriction conditions. The work focuses on model predictive control, a control framework that uses a vehicle model to predict future motion and optimize steering and acceleration while respecting constraints. A central theme of the thesis is the trade-off between model fidelity and practical applicability. Detailed dynamic models can describe important physical effects, but they may be difficult to use in practice because they require many parameters, additional state estimates, and careful numerical treatment. Simpler kinematic models are easier to use, but may neglect slip-angle and friction effects that become important at higher speeds and on slippery roads. 

The thesis addresses this challenge through four connected studies. First, kinematic and dynamic tractor-semitrailer models are compared for model predictive control. Second, time-optimal lane changes are computed for different friction levels to understand the physical limits of emergency maneuvers. Third, a friction-adaptive nonlinear model predictive controller is developed using an extended kinematic vehicle model and friction-dependent objectives and constraints. Fourth, the controller is evaluated both in simulation and in winter experiments with a full-scale autonomous tractor-semitrailer. 

The results show that friction information is important both for understanding emergency maneuver limits and for designing motion controllers that avoid excessive use of tire forces. In simulations, the proposed controller reduces tireforce demand compared with a more aggressive baseline controller. In realworld double lane-change experiments on snow, it completes the maneuver while a classical tracking-control baseline fails. The thesis therefore demonstrates that friction-adaptive predictive control can improve the safety-relevant behavior of autonomous semitrailer trucks in low-friction conditions. 

Självkörande lastbilar förväntas spela en viktig roll i det framtida transportsystemet, men deras användning i mindre gynnsamma väderförhållanden är en återstående utmaning. Vinterväglag är särskilt svåra för dragbilar med semitrailer. Snö och is reducerar vägfriktion, förlänger stoppsträckor, begränsar styrförmågan och kan leda till fordonsinstabilitet i form av fällknivsolyckor (jackknifing) eller traileroscillationer (trailer swing). För självkörande fordonssystem innebär detta att fordonet inte enbart kan följa en planerad bana, utan systemet bör också kunna avgöra när vägytan gör den planerade manövern osäker och fysiskt ogenomförbar.

Den här uppsatsen studerar rörelsereglering för självkörande dragbilar med trailer i väglag med låg friktion. Arbetet fokuserar på model predictive control, ett reglertekniskt ramverk som använder en fordonsmodell för att förutse fordonets rörelse, optimerar styrning och acceleration, samt uppfyller bivillkor. Ett centralt tema för uppsatsen är balansen mellan fordonsmodellens detaljnoggrannhet och dess praktiska användbarhet. Detaljerade dynamiska modeller kan å ena sidan beskriva viktiga fysikaliska fenomen, men kan å andra sidan vara svåra att använda i praktiken eftersom de bygger på ett stort antal parametrar och tillståndsvariabler, och kräver dessutom noggrann numerisk behandling. Kinematiska modeller är enklare att tillämpa, men de försummar istället effekter som är viktiga i hög hastighet och på halt väglag, såsom slipvinklar och friktionsrelaterade effekter. 

 Uppsatsen bemöter de här utmaningarna genom fyra sammanhängande studier. Den första studien jämför kinematiska och dynamiska modeller av kombinationen dragbil och semitrailer, med avseende på egenskaper som är viktiga för model predictive control. Den andra beräknar tidsoptimala körfältsbytesmanövrar för olika nivåer av vägfriktion, med syftet att studera hur fordonskombinationens fysiska begränsningar i kritiska manövrar beror på väglaget. Tredje studien utvecklar en friktionsadaptiv, ickelinjär model predictive controller, baserad på en förstärkt kinematisk fordonsmodell och friktionsberoende målfunktioner och bivillkor. Den fjärde studien utvärderar regulatorn, både i simuleringar och i fullskaliga tester med en självkörande lastbil på en vinterprovbana. 

 Resultaten påvisar vikten av friktion, både för att förstå fordonets begränsningar i kritiska manövrar och för att utveckla reglersystem som kan förebygga att däckkraftsbegränsningar överskrids. I simuleringar påvisar vår regulator ett lägre utnyttjande av däckkrafter i jämförelse med en mer aggressiv referensregulator. I fullskaliga tester av dubbla körfältsbyten på snöunderlag klarar vår regulator av att genomföra hela manövern, medan en referenskombination av klassiska regulatorer misslyckas med samma uppgift. Uppsatsen demonstrerar på så vis att friktionsadaptiv model predictive control kan förbättra relevanta säkerhetsaspekter för självkörande lastbilar i väglag med låg friktion.