《表2 估计误差：基于蚁狮算法的UKF车辆状态参数估计器》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于蚁狮算法的UKF车辆状态参数估计器》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

双移线仿真工况结果如图4所示，初始车速为40 km·h-1，路面附着系数为0.4，基于SVDUKF算法与基于ALO-SVDUKF算法估计的最大误差及均方根误差如表2所示。由图4（c）可知，SVDUKF与ALO-SVDUKF算法都能较好地跟踪Carsim输出的横摆角速度参考值，但相对于SVDUKF估计算法（均方根误差为0.021 5（°）·s-1，ALO-SVDUKF算法的整体估计精度更高，均方根误差仅为0.014 9（°）·s-1。由图4(d）可知，在双移线工况起始阶段（0～5s）和结束阶段（15～20s），2种估计算法都能取得较好的估计结果，但是当车辆行驶在双移线工况转弯处时，由于此时方向盘转角发生突变，车辆行驶状态趋于不稳定，SVDUKF算法估计误差增大，而ALO-SVDUKF算法仍然能够较好的跟踪质心侧偏角参考值，相对于SVDUKF算法（最大估计误差为0.304 4°，均方根误差为0.117 9°），ALO-SVDUKF算法的最大估计误差仅为0.146 6°，均方根误差为0.052 2°，估计精度更高且鲁棒性更强。由图4(e）可以看出，侧偏刚度随着车辆行驶状态的变化而调整，此外，在10～12s时，此时车辆处于非线性状态，轮胎侧向力出现饱和，且线性2自由度车辆模型作为侧偏刚度估计模型存在一定的模型误差，因此，此时侧偏刚度出现波动，估计效果下降，且18s后侧偏刚度值出现下降趋势。