This thesis report presents a set of One-Dimensional Vehicle Motion Reference Tracking control algorithms for vehicle motion along a predetermined path. A general physical model of the motion dynamics of a vehicle along a pre­determined path is presented. From this physical model a discretized linearized prediction model is derived, and this prediction model is utilized to formulate a Quadratic Programming optimization problem. This serves as the basis for a receding horizon Model Predictive Control algorithm. The model predictive controller is augmented with a parallel Recursive Least Square Error identifica­tion algorithm used to regularly reestimate the mass parameter of the prediction model to handle any wrongful model assumptions. These algorithms are to be used for tracking position and velocity references. Evaluation of the algorithms is performed in simulation. The presented algorithms are shown to be accurate and robust. Specific problematic edge cases where performance is compromised are shown and suggestions on how to tackle them are provided. ; Detta examensarbete presenterar ett antal styralgoritmer för referensföljande endimensionell fordonsrörelse. En fysisk modell för ett fordons rörelsedynamik presenteras längs en förbestämd bana. Utifrån denna modell härleds en diskretiserad linjariserad prediktionsmodell. Denna prediktionsmodell används för att formulera ett K vadratiskt Programmerings-problem. Detta optimeringsproblem står till grund för en model-prediktiv regleralgoritm. Detta reglersystem augumenteras med en rekursiv minsta-kvadrat-fels algoritm för systemidentifiering, som används till att upprepande återuppskatta massan för att hantera systematiska fel i prediktionsmodellen. Dessa algoritmer används till referensföljning i position och hastighet. Utvärderingen av algoritmerna genomförs i simulation. De presenterade algoritmerna uppvisas att vara generellt sett träffsäkra och robusta. Specifika problematiska fall där prestandan blir sämre lyfts upp och förslag på hur dessa scenarion skulle ...