1.一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法，其特征在于，所述方法包括如下步骤：

1)在智能网联交通系统中，通过DSRC技术自动识别行驶的车辆并获取相关数据，实现车载系统与路边单元的信息交互，其中，信息交互的步骤如下：步骤1.1：当行驶车辆进入定向天线所覆盖的范围内时，车载系统会与路边单元通过DSRC技术实现双向通信，使得双方能同时发送自身存储单元上的信息，其中，车载系统发送的信息包括车辆的当前速度、当前位置和时间戳，路边单元发送的信息包括其他车道上车辆的预测位置、位于哪个方向上、几车道和加速度；

步骤1.2：路边单元将获取到的车辆信息发送到边缘云服务器进行一系列的运算操作；

2)边缘云服务器根据路边单元与车载系统之间的方位差，进行方位角计算并做相应的量化处理，针对位置信息对车辆行驶方向进行量化，其中，量化过程为：步骤2.1：将位置信息转换成以视角存在的数字信息，其中，车辆的方向角 相对于路边单元的定义为：；

在此，各参数定义如下：

在t时刻路边单元与车载系统之间的方向角；

θt：将t时刻的车辆位置转化为方位角的反三角函数；

σt：在t时刻由信号反射引起的轴承误差噪声；

(xt,yt)：在t时刻车辆的当前位置；

步骤2.2：以十字路口中心作为坐标原点，对方向角 进行量化处理，确定车辆所在的方向，其中，量化公式如下：在此，各参数定义如下：

bt：t时刻车辆在十字路口的量化方向；

q(·)：量化函数；

i：十字路口的方向标识；

步骤2.3：为了实现方向信息的具体化，对该方向的车道进行量化，将方向角 重命名为 将其记录为：在此，各参数定义如下：

θt'：t时刻，将车辆与路边单元的相对位置转化为方位角的反三角函数；

(xi,yi)：方向i上路边单元的固定位置；

步骤2.4：针对上述量化公式，对车辆所在的方向进行第二次量化，确定车辆所在的车道；

在此，各参数定义如下：

qt：在t时刻车道的量化方向；

ji：位于方向i上的第j个车道；

n：车道总数；

3)假设仅使用最近的p+1个车辆速度进行加速度估计，第p个加速度计算方式为：在此，各参数定义如下：

Δτ：采样时间间隔；

Δv：后一时刻与前一时刻的速度之差；

vt-p：在t-p时刻小车的速度；

τt-p：在t-p时刻小车的时间戳；

at-p：第p个加速度值；

此后，根据p个加速度值，利用自回归滑动平均法进行车辆加速度预测，其中，预测公式如下：在此，各参数定义如下：

at：在t时刻小车的加速度；

p：自回归阶数，即加速度总数；

q：移动平均阶数，即滑动总数；

β：不为零的待定系数；

不为零的待定系数；

ξt：在t时刻独立的误差项；

4)假设驾驶员在不变道的情况下，针对采集的相关信息，利用自适应卡尔曼滤波算法对行驶车辆进行水平位置预测，其中，水平位置的计算公式为：利用状态空间模型将上述公式转化为状态方程和观测方程，其中，方程如下所示：xt+1＝Atxt+Btut+ωt；

zt＝Ctxt+εt；

在此，各参数定义如下：

xt：在t时刻小车的状态向量；

At,Bt,Ct：在t时刻的状态转移矩阵；

ut：在t时刻小车的加速度；

ωt：在t时刻的系统误差，服从高斯分布N(0,Qt)，其中，Qt为在t时刻的过程噪声方差；

εt：在t时刻的测量误差，服从高斯分布N(0,Rt)，其中，Rt为在t时刻的测量噪声方差；

zt：在t时刻系统的状态观测值；

此后，根据状态空间模型利用自适应卡尔曼滤波算法对车辆水平位置进行预测，其中，车辆位置更新的步骤如下：步骤4.1：给定初始值 和 其中， 表示t时刻小车水平位置的预测值， 表示t时刻小车的误差协方差；

步骤4 .2：根据给定的初始值 计算t时刻的卡尔曼增益值Kt，其中，步骤4.3：根据t时刻的预测值 和观测值zt，可以得到当前状态的修正值 其中，公式如下：zt＝Ctxt+Rt

步骤4.4：更新误差协方差 的值，为预测t+1时刻的误差协方差做准备，其中，I为单位阵；

步骤4.5：根据t时刻的修正值 以及加速度ut去预测t+1时刻小车的水平位置 其中，步骤4.6：预测误差协方差，由前一时刻的误差协方差 去预测后一时刻的误差协方差其中， μt+1为自适应遗忘因子；

步骤4.7：计算t+1时刻的加速度ut+1，其中，计算方法如所述步骤3)中的自回归滑动平均法；

步骤4.8：更新迭代次数k为k＝k+1并重新回到步骤4.2开始新一轮的计算；

5)最后，边缘云服务器将处理好的信息通过光缆传送给路边单元，以便于下一次与车载系统的信息交互。

2.如权利要求1所述的一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法，其特征在于：所述步骤1)中，在智能网联交通系统中，路边单元安装在十字路口的红绿灯上且旁边附带有边缘云服务器和定向天线，其中，定线天线的发射角度为60°，使路边单元能更好的与车辆中的车载系统进行信息交互。

3.如权利要求1或2所述的一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法，其特征在于：所述步骤4.6中，自适应遗忘因子的计算公式为：μt+1＝max{1,tr(Nt+1)/tr(Mt+1)}；

在此，各参数定义如下：

Nt+1：在t+1时刻的误差方差，确保其值对称且正定；

Lt+1：新息在t+1时刻下的协方差矩阵；

et+1：在t+1时刻测量值与预测值之差，即新息；

在t+1时刻状态转移矩阵C的转置；

Mt+1：在t+1时刻的误差方差，确保误差协方差 的值对称且正定；

max{·}：比较后取最大值。

4.如权利要求1或2所述的一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法，其特征在于：所述步骤1.2中，考虑到边缘云服务器的存储容量有限，所以将服务器中的数据每隔一周进行清零。