This thesis concerns motion planning and control of underactuated unmanned aerial and surface vehicles with special attention to disturbances.  In the first part of the thesis, we examine trajectory tracking using Prescribed Performance Control (PPC) for the classes of underactuated aerial and surface vehicles, assuming that the model parameters are unknown. Due to the underactuation, the original PPC methodology is redesigned to accommodate the specifics of the considered underactuated dynamical systems. We prove the stability of the proposed control schemes and support them with numerical simulations on the quadrotor and boat models. Furthermore, we propose enhancements to the Kinodynamic Motion Planning via Funnel Control (KDF) framework. The kinodynamic motion planning is based on the Rapidly-exploring Random Trees (RRT) algorithm, and our improvements are in the optimization-based generation of smooth, collision-free trajectories using B-splines.Real-world experiments were conducted for the surface vehicles and tested the advantages of the proposed enhancements to KDF. The second part of the thesis is devoted to the rendezvous problem of the autonomous landing of a quadrotor on a boat based on distributed Model Predictive Control (MPC) algorithms. We propose an algorithm that assumes a minimal exchange of information between the agents, which is the rendezvous location, and an update rule to maintain the recursive feasibility of the landing. Moreover, a convergence proof is presented without enforcing the terminal set constraints.  Finally, we investigate a leader-follower framework and present an algorithm for multiple follower agents to land autonomously on the landing platform attached to the leader. An agent is equipped with a trajectory predictor to handle the cases of communication loss and avoid inter-agent collisions. The algorithm is tested in a simulation scenario with the simultaneous landing of multiple agents. %and a real-world scenario of the detect-and-avoid problem with two UAVs.

In the third part of the thesis, we examine the usage of the disturbance models and methods to refine them using available data and sensory measurements iteratively.Contraction-based control methods enable safety guarantees for unmanned aerial vehicles with respect to the disturbance-aware plans generated by MPC augmented with disturbance models. Disturbance models are inferred by data-driven identification and learning and further refined using adaptive control methods.The exploration-exploitation algorithm is presented for learning previously unseen disturbances.Finally, the framework is tested in a simulation scenario of the autonomous landing of a UAV on a surface vehicle.

I denna avhandling studerar vi rörelseplanering och reglering av under-aktuerade obemannade luft- och ytfarkoster med särskild fokus på störningsundertryckning.

I den första delen av avhandlingen undersöker vi banföljning med hjälp av föreskriven prestandareglering (PPC) för en klass av under-aktuerade luft- och ytfarkoster med okända  modellparametrar. På grund av under-aktuering modifieras den ursprungliga PPC-metodiken för att anpassas till  under-aktuerade dynamiska system. Vi bevisar stabilitet för motsvarande återkopplade system och utvärderar  dem med hjälp av numeriska simuleringar av quadrotor- och båtmodeller. Vi föreslår en förbättringing av kinodynamisk rörelseplanering via ett tratt-regleringsramverk (KDF). Den kinodynamiska rörelseplaneringen är baserad på en snabbt utforskande slumpträdsalgoritm (RRT), och de föreslagna förbättringar ligger i optimeringsbaserade generering av jämna kollisionsfria banor med hjälp av B-splines. Motsvarande algoritmer och  föreslagna förbättringar av KDF utvärderas genom riktiga experiment på fysiska ytfarkoster.

Den andra delen av avhandlingen ägnas åt rendezvousproblem för autonom landning av en quadrotor på en båt baserat på distribuerad modellprediktivreglering (MPC). Vi föreslår en algoritm som förutsätter ett minimalt informationsutbyte mellan agenterna, vilket endast är själva rendezvousplatsen, och en uppdateringsregel för att upprätthålla den rekursiva genomförbarheten vid landningen. Vi presenterar ett konvergensbevis utan att använda oss av sluttillståndsbegränsningar. Dessutom undersöker vi ett ledar-följarramverk och presenter en algoritm för flera följar-agenter att landa autonomt på en landningsplattform som är kopplad till ledaren. Varje agent är utrustad med en banprediktor för att hantera eventuell kommunikationsförlust och undvikande av  kollisioner mellan agenterna. Algoritmen testas i ett simuleringsscenario för gemensam landning av flera agenter.

I den tredje delen av avhandlingen undersöker vi användningen av störnings\-modeller och iterativa metoder för att förbättra dem med hjälp av tillgänglig data och sensor-mätningar. Kontraktionsbaserade reglermetoder möjliggör säkerhetsgarantier för obemannade luftfarkoster med avseende på de störningsmedvetna planerna som genereras av MPC kompletterad med störningsmodeller. Störningsmodeller härleds genom datadriven identifiering och inlärning och förfinas ytterligare med hjälp av adaptiva reglermetoder. Upptäckt-och-utnyttjande algoritmen presenteras för inlärning av tidigare oönskade störningar. Slutligen testas ramverket i ett simuleringsscenario för autonom landning av en UAV på en ytfarkost.