1.一种融合社会力模型和卡尔曼滤波的行人轨迹预测方法，其特征在于，具体步骤为：一、卡尔曼滤波器初始化；

卡尔曼滤波器分为时间更新和测量更新两个部分；在卡尔曼滤波器初始化时，根据行人运动学公式计算出时间更新阶段的状态转移矩阵A和观测矩阵H；

Xk＝AXk-1+Wk-1  (1)

Zk＝HXk+Vk  (2)

式中，Xk是k时刻的系统状态，A是n×n维的状态转移矩阵；H是m×n维的观测矩阵；Wk-1满足均值为零、协方差矩阵为Q的高斯分布；Vk为测量噪声，满足协方差矩阵为R的高斯分布；

二、社会力模型的参数辨识；

设定适应度函数，利用自适应变异粒子群算法对社会力模型的行人作用强度、行人作用范围、行人质量和行人半径的参数进行辨识，并模拟得出预计的行人轨迹；

其中 是t时刻行人位置的测量值， 是在t-1时刻利用社会力模型计算出的t时刻行人位置；

三、卡尔曼滤波器的时间更新过程；

使用步骤二中模拟得出预计的行人轨迹，并根据步骤一卡尔曼时间更新公式计算得出行人下一时刻的位置值，将两个结果进行加权求和得出改进后卡尔曼滤波器的时间更新方程，最终得到先验估计值X(k|k-1)；

式中 函数f(Δθk)用于计算权值；

四、卡尔曼滤波器的测量更新过程；

根据步骤一卡尔曼测量更新公式计算得出行人的当前位置测量值Zk，将测量值Zk和先验估计值X(k|k-1)带入行人运动方程，计算得出最优估计值，即X(k|k)＝X(k|k-1)+Kk(Zk-HX(k|k-1))  (5)五、事件触发更新过程；

设定误差阈值ψ，判断社会力模型的预测位置和最优估计值之间的误差DisError是否超过误差阈值ψ；若未超过误差阈值ψ则按照社会力模型得出的轨迹作为预测轨迹；若超过误差阈值ψ时，即为一个触发事件，此时以当前的最优估计值作为初始化数据输入到社会力模型中，重新获取行人运动轨迹；

式中：p(x(k|k),y(k|k))是k时刻行人位置的最优估计值， 是由社会力模型预测出的k时刻行人位置；

六、判断任务是否结束；

判断步骤五的预测时刻是否为最终时刻，若是，则结束轨迹预测工作，若否则转至步骤三继续进行迭代预测。