《表6 低附着路面横摆角速度估计误差》

  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

《基于深度学习的极限工况下车辆的状态估计》

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

在如图8所示的低附着路面工况时，LSTM算法估计值贴近真实值，EKF算法估计值与真实值偏差较大。通过图9其绝对误差曲线可知:EKF算法估计瞬态偏差最大，LSTM算法估计瞬态偏差较小。通过上述不同路面下横摆角速度估计对比曲线可知，LSTM估计算法精度优于扩展卡尔曼滤波算法。EKF算法估计曲线出现较大偏差，原因在于假定观测噪声和过程噪声不变，前后轮侧偏刚度不变，在不同路面不同转角不同速度下上述参数均发生了变化，且EKF估计算法车辆动力学模型忽略了悬架的作用，在车辆有较大横摆角速度时，载荷转移是不能忽略的重要影响因素，基于上述原因EKF估计必然导致巨大偏差。为了进一步定量地比较2种算法的估计精度，给出了估计值相对于实际值的均方根误差（RSME）和标准误差（SE），如表5和表6所示。在表5和表6中可以看到:在不同附着路面下，EKF的两种性能指标远远劣于LSTM估计算法，LSTM算法性能指标在两种算法中最优，不但距离真实值偏差较小而且误差波动范围也较小。