1.一种基于贝叶斯网络的目标障碍车轨迹预测方法，信息采集模块采集当前地图以及周围道路环境信息S、当前地点历史轨迹数据T、目标障碍车当前位置Ps、目标障碍车速度v0、目标障碍车与其他障碍物之间的相对距离p、其他障碍物速度v1和目标障碍车的航向角B信息并输入到环境模型中，历史轨迹数据T包括历史路径A、历史速度D和历史避让障碍物速度E，其特征是包括以下步骤：步骤(1)环境模型根据当前地图以及周围道路环境信息S将整个地图空间划分成大小相同的栅格，构建栅格地图，分别计算出历史路径概率PA、航向角概率PB、目标障碍车与其他障碍物距离影响概率PC、历史速度概率PD、历史避让障碍物速度概率PE和目标障碍车速度概率PF并输入贝叶斯网络模型；

步骤(2)贝叶斯网络模型将所述的概率PA、PB、PC、PD、PE、PF作为子节点输入，下一步路径栅格概率G、下一步栅格速度概率H作为根节点，构建贝叶斯网络结构，得到各节点的条件概率分布以及下一步路径栅格概率G、下一步栅格速度概率H的先验概率，运用贝叶斯公式得到从当前所在栅格Mk到周围M1到M8号八个栅格的不同的后验概率以及各栅格对应的速度的后验概率；

步骤(3)贝叶斯网络模型比较出后验概率值最大的栅格及速度作为目标障碍车的下一轨迹点，所有轨迹点连接起来得到预测的目标障碍车轨迹。

2.根据权利要求1所述的一种基于贝叶斯网络的目标障碍车轨迹预测方法，其特征是：

步骤(1)中，所述的历史路径概率PA为 n(k→u)为当前地点相似历史路径A

中包括栅格号串{Mk，Mu}的路径数目，nk为所有包含栅格Mk号的路径数目，Mk为目标障碍车当前所在栅格，Mu为目标障碍车即将到达的下一栅格，u∈{1,2,3,…,8}；

选取九个相邻的栅格组成九宫格，以九宫格中心为圆心画一个内切圆，与九宫格内线相交八个点，这八个交点分别连接圆心，内切圆被分成八个扇形，分别对应八个栅格号，由航向角B得到目标障碍车的车头朝向和车辆中心线，得到车辆前轮转角范围∠C和前轮转角范围与不同扇形重叠部分角度∠A，则所述的航向角概率PB为所述的目标障碍车与其他障碍物距离影响概率PC为

p为目标障碍车与周围其他

障碍物的相对距离，p0为障碍物影响范围，v为目标障碍车与其他障碍物的相对速度，f为地面摩擦系数，a为安全系数，半径为p0+a的圆经过的栅格，其概率值最大，为55％；

所述的历史速度概率 nvi为当前地点环境下统计各区间速度出现的频次，nv为历史速度D总数；

所述的历史避让障碍物速度概率 navi为避让障碍物时各区间速度出现的频次，nav历史避让障碍物速度E总数；

当目标障碍车速度v0属于划分的速度区间时，则所述的目标障碍车速度概率PF为t为时间，其余区间目标障碍车速度概率PF为10％。

3.根据权利要求1所述的一种基于贝叶斯网络的目标障碍车轨迹预测方法，其特征是：

步骤 (2)中 ，当前所在栅格Mk到周围M1到M8号栅格的不同的 后验概率

各栅格对应的速度的后验概率

表示当前所在栅格

周围1号栅格到8号栅格，j∈(1,2,3…12)表示12个不同速度区间，当前地点相似历史路径概率PA和下一步路径栅格概率G的条件概率为P(Au|Gu)，目标障碍车航向角概率PB和下一步路径栅格概率G的条件概率为P(Bu|Gu)，目标障碍车与其他障碍物距离影响概率PC和下一步路径栅格概率G的条件概率为P(Cu|Gu)，相似环境历史速度概率PD和下一步栅格速度概率H的条件概率为P(Dj|Hj)，当前地点历史避让障碍物速度概率PE和下一步栅格速度概率H的条件概率为P(Ej|Hj)，目标障碍车速度概率PF和下一步栅格速度概率H的条件概率为P(Fj|Hj)，下一步路径栅格概率G的先验概率分布为Pf(Gu)，下一步栅格速度概率H的先验概率分布为Pf(Hj)。

4.根据权利要求3所述的一种基于贝叶斯网络的目标障碍车轨迹预测方法，其特征是：

若max{P(G1|A1,B1,C1),P(G2|A2,B2,C2)…P(G8|A8,B8,C8)}＝P(Gu|Au,Bu,Cu)，则选择栅格Mu为目标障碍车的下一步栅格，将每步预测出栅格号连接起来得到未来n秒内的一系列路径点，若max{P(H1|D1,E1,F1),P(H2|D2,E2,F2)…P(H12|D12,E12,F12)}＝P(Hj|Dj,Ej,Fj)，则选择vj为下一步路径栅格上目标障碍车的速度，将一系列路径点与对应的速度结合起来形成目标障碍车轨迹点。

5.根据权利要求1所述的一种基于贝叶斯网络的目标障碍车轨迹预测方法，其特征是：

信息采集模块每经过一个滚动周期Δt重新采集信息，贝叶斯网络模型更新目标障碍车轨迹点。

6.根据权利要求1所述的一种基于贝叶斯网络的目标障碍车轨迹预测方法，其特征是：

贝叶斯网络模型将预测出的目标障碍车轨迹发送给决策模块进行下一步决策处理。