1.一种随机森林和卡尔曼结合实现露天矿车辆轨迹预测的方法，其特征在于，包括以下步骤：步骤S1、由感知设备获取矿区车辆当前运动状态信息，所述运动状态信息包括矿区车辆的位置、航向角、纵向速度、纵向加速度和偏航角速度；步骤S2、基于所述当前运动状态信息以及先验的露天矿区高精度地图信息获取候选参考路径，并获取所述候选参考路径的路径曲率，所述候选参考路径为矿区车辆在未来时间可能行驶的路径；步骤S3、基于随机森林对所述当前运动状态信息和所述路径曲率进行处理，获取矿区车辆的纵向速度和偏航角速度的观测值；步骤S4、建立扩展卡尔曼滤波的状态转移模型和测量模型，将所述纵向速度和偏航角速度的观测值作为扩展卡尔曼滤波的纵向速度和偏航角速度的测量值；进行扩展卡尔曼滤波的状态预测和测量更新，最终获取矿区车辆在未来时间的预测轨迹。
2.根据权利要求1所述的随机森林和卡尔曼结合实现露天矿车辆轨迹预测的方法，其特征在于，所述步骤S1中，目标车辆的当前t时刻的所述运动状态信息表示为：x t ＝[x t ,y t ,θ t ,v t ,a t ,ω t ] T ，其中，x t ,y t ,θ t ,v t ,a t ,ω t 分别表示当前t时刻的东向位置坐标、北向位置坐标、航向角、纵向速度、纵向加速度和偏航角速度。
3.根据权利要求2所述的随机森林和卡尔曼结合实现露天矿车辆轨迹预测的方法，其特征在于，所述步骤S2具体包括：步骤S2-1、根据所述当前运动状态信息以及先验的露天矿区高精度地图信息，获取目标车辆前方可能的候选参考路径集SET(Path i )，其中，Path i 表示第i条路径；步骤S2-2、将预设未来时间段划分为多个时间步，表示为t+kΔt，其中，t为当前时刻，Δt为时间步长，k为时间步的索引；基于目标车辆匀速运动的假设获取每个时间步的目标车辆位置坐标(px k ,py k )，作为对应的k时间步的预瞄点 其中 为k时间步预瞄点的位置坐标；步骤S2-3、基于预瞄点的位置坐标与所述候选参考路径集SET(Path i )中的路径进行匹配，得到与预瞄点的位置最近的参考路径，由所述与预瞄点的位置最近的参考路径确定k时间步预瞄点的路径曲率κ k 。
4.根据权利要求3所述的随机森林和卡尔曼结合实现露天矿车辆轨迹预测的方法，其特征在于，所述步骤S3具体包括：步骤S3-1、基于所述目标车辆运动状态和所述路径曲率，建立k时间步骤下的随机森林的输入量 步骤S3-2、将所述随机森林的输入量输入随机森林进行处理，所述随机森林的N个训练好的决策树生成对应的预测结果 其中， 表示第N个决策树生成的预测结果， v RF,N ,ω RF,N 分别为第N个决策树生成的目标车辆的纵向速度和偏航角速度；步骤S3-3、计算N个决策树输出结果的平均值，最终得到k时间步的纵向速度和偏航角速度观测值
5.根据权利要求4所述的随机森林和卡尔曼结合实现露天矿车辆轨迹预测的方法，其特征在于，所述步骤S4具体包括：步骤S4-1、建立扩展卡尔曼滤波的状态转移模型，所述状态转移模型基于非线性车辆运动学模型对当前时间步的目标车辆的状态向量进行计算，得到下一时间步的目标车辆的状态向量；步骤S4-2、建立扩展卡尔曼滤波的测量模型，所述测量模型将纵向速度和偏航角速度的观测值作为扩展卡尔曼滤波的纵向速度和偏航角速度的测量值；步骤S4-3、采用所述状态转移模型获取下一时间步的先验状态估计向量，并计算先验误差协方差矩阵；步骤S4-4、由所述先验误差协方差矩阵计算卡尔曼增益，由下一时间步的先验状态估计向量得到下一时间步的状态估计向量；由下一时间步的先验误差协方差矩阵得到下一时间步的误差协方差矩阵；步骤S4-5、回到步骤S4-3，直到完成所述未来时间段中所有时间步的计算；步骤S4-6、由所述未来时间段中k+1到k+m时间步的状态估计量作为预测轨迹Traj k +1,Kk+m 。
6.根据权利要求5所述的随机森林和卡尔曼结合实现露天矿车辆轨迹预测的方法，其特征在于，所述步骤S4-1中，所述状态转移模型表达式为：x k+1 ＝f(x k )+q k ＝[f 1 ,f 2 ,f 3 ,f 4 ,f 5 ,f 6 ]+q kf 3 :θ k+1 ＝θ k +ω k Δtf 4 :v k+1 ＝v k +a k Δtf 5 :a k+1 ＝a kf 6 :ω k+1 ＝ω k其中，x k 是k时间步的目标车辆的状态向量，v k 为k时间步的目标车辆的纵向速度，ω k 为k时间步的目标车辆的偏航角速度，f(·)是基于非线性车辆运动学模型的车辆状态转移模型，q k 是过程噪声，服从均值为0，方差为Q k 的正态分布，即q k ～N(0,Q k )，Q k ＝diag{0,0,q dθ ,q dv ,q dω ,q da }，q dθ ,q dv ,q dω ,q da 分别为航向角、纵向速度、偏航角速度、纵向加速度的过程噪声。
7.根据权利要求6所述的随机森林和卡尔曼结合实现露天矿车辆轨迹预测的方法，其特征在于，所述步骤S4-3具体包括：使用状态转移方程预测车辆的下一个时间步的状态，并计算先验误差协方差矩阵，表达式为：其中， 代表k时间步目标车辆的先验状态估计向量， 代表k-1时间步已知的目标车辆的后验状态估计向量， 为k时间步目标车辆的先验误差协方差矩阵， 为k-1时间步目标车辆的后验误差协方差矩阵，F k 为k时间步状态转移方程的雅可比矩阵， 为F k 的转置，Q k-1 为k-1时间步的过程噪声协方差矩阵。
8.根据权利要求7所述的随机森林和卡尔曼结合实现露天矿车辆轨迹预测的方法，其特征在于，所述步骤S4-4具体包括：计算卡尔曼增益，并更新状态估计向量和误差协方差矩阵，表达式为：其中，K k 是k时间步的卡尔曼增益，R k 表示测量噪声协方差矩阵，R k ＝diag{σ v,k 2 ,σ ω,k 2 }，σ v,k 2 ,σ ω,k 2 分别为v k ,ω k 的方差， 表示k时间步目标车辆的状态估计向量， 为状态测量值，用随机森林的状态预测结果作为测量值，即 其中， 分别表示k时间步目标车辆的纵向速度和偏航角速度， 是k时间步的后验误差协方差矩阵，I为单位矩阵。
