1.一种冰雪环境无人驾驶车辆电源模型预测方法，其特征在于，包括以下步骤：步骤1：获取冰雪环境下无人驾驶车辆历史行驶数据；

所述行驶数据包括各时刻的路面积雪深度、道路坡度、电池温度以及耗电率、剩余电量；

步骤2：构建基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型；

以所述历史行驶数据中的路面积雪深度、道路坡度、电池温度作为输入数据，耗电率作为输出数据，对小波神经网络进行训练，获得基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型；

所述小波神经网络的输入层节点个数为3，隐含层小波元个数为6，输出层节点个数为

1，隐层小波神经元采用Mexican Hat小波函数，输出层节点采用Sigmoid函数；训练过程中的最大迭代次数设置为1500，训练学习率为0.1，阈值为0.0002；

步骤3：构建基于BP神经网络的无人驾驶车辆剩余电量预测模型；

以所述历史行驶数据中的t时刻的耗电率和对应的剩余电量作为输入数据，t+1时刻的剩余电量作为输出数据，对BP神经网络进行训练，获得基于BP神经网络的剩余电量预测模型；

所述BP神经网络的输入层包含2个节点，最大迭代次数设置为200，训练学习率为0.1；

步骤4：对下一时刻的剩余电量进行预测；

利用实时获得的有效路面积雪深度、道路坡度以及电池温度数据输入基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型，获得当前时刻的电池耗电率，并基于获得的当前电池耗电率以及实时剩余电量，输入基于BP神经网络的剩余电量预测模型，获得下一时刻的剩余电量；

其中，所述有效路面积雪深度是利用路面积雪深度测量值和观察值进行加权融合获得；所述路面积雪深度测量值是通过设置在无人驾驶车辆车底两侧的车载激光传感器和倾角传感器进行实时测量计算获得；

所述路面积雪深度观察值是利用图像采集装置获取路面图像，通过红外图像和参考图像进行三角测量得到深度图像，利用三维重建方法对重建后的三维信息进行识别与特征提取获得。

2.根据权利要求1所述的方法，其特征在于，所述基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型中用于获取有效路面积雪深度的权值、小波神经网络的权值、阈值和伸缩平移系数采用自适应花授粉算法进行寻优获得的过程如下：步骤C1：种群花粉个体的位置作为用于获取有效路面积雪深度的权值、小波神经网络的权值、阈值和伸缩平移系数，初始化种群；

种群规模的取值范围为[55,220]，变异因子初始值ε的取值范围为[0.02,0.15]，最大迭代次数的取值范围为[110,400]，最大搜索精度的取值范围为[0.035,0.12]；

步骤C2：设定适应度函数，并获取种群中的最优个体；

将种群个体位置对应的用于获取有效路面积雪深度的权值、小波神经网络的权值、阈值和伸缩平移系数代入基于小波神经网络的耗电率预测模型中，并利用种群个体位置确定的基于小波神经网络的权值、阈值和伸缩平移系数的耗电率预测模型计算出输出值，将输出值和实际值的均方差MSE的倒数作为第一适应度函数f1(x)；

步骤C3：计算每个个体的适应值，并保留适应度值最小的个体及当前最优解g*；

步骤C4：随机生成rand1，按照式(1)计算转换概率p，以调节花授粉算法中全局搜索和局部搜索之间的转化；

p＝0.8+0.2×rand1             (1)

步骤C5：随机生成rand∈[0，1]，若转换概率p>rand，利用式(2)进行全局搜索；

其中， 表示第t次迭代时花粉的位置，g*表示的是当前群体中的最优解，参数L表示步长，取0.5；

步骤C6：若转换概率p≤rand，按式(3)计算ε，并将ε值代入式(4)进行局部搜索；

其中，rand2,rand3是[0,1]之间产生的随机数，εt是第t次迭代时变异因子的值，λ、ε1都取0.1；

其中， 和 分别表示的是同一植物上对应所述基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型中用于获取有效路面积雪深度的权值、小波神经网络的权值、阈值和伸缩平移系数的不同花朵的花粉；

步骤C7：计算更新后的所有个体的适应度值及最优个体值g*，判断是否达到最大迭代次数或者最大搜索精度，若达到，则以适应度最大的个体作为最优个体，输出最优个体对应的基于小波神经网络的耗电率预测模型中用于获取有效路面积雪深度的权值、小波神经网络的权值、阈值和伸缩平移系数，否则返回步骤C4，进行下一次迭代。

3.根据权利要求1所述的方法，其特征在于，所述获取路面积雪深度观察值的具体过程如下：步骤A1：利用实时获取的红外图像和储存在传感器中的参考图像通过三角测量方法获得深度图像；

步骤A2：对深度图像进行三角化，在尺度空间中构建分层有向距离场，对距离场中所有的体素应用整体Delaunay三角剖分算法产生一个涵盖所有体素的凸包，并利用Marching Tetrahedra算法构造等值面，完成积雪道路表面重建；

步骤A3：对重建的三维信息提取线状特征，通过对积雪道路像素点特征的立体匹配获得深度图像信息；

步骤A4：利用深度图像信息进行深度插值，拟合积雪深度分布曲线，取极大值输出作为积雪深度观测值。

4.根据权利要求2所述的方法，其特征在于，利用图像采集装置采集的路面图像对路面积雪深度测量值进行修正，具体步骤如下：步骤B1：将采集到的连续多帧路面图像转化为灰度图像；

步骤B2：对连续两帧路面图像的灰度图像的灰度做差处理，得到两帧图像的灰度差值Dgrey，并与预先设定的差值阈值进行比较，按照下式判断道路状况：步骤B3：依据道路状况对应的雪深修正系数与路面积雪深度测量值相乘，得到路面积雪深度测量值的修正值；

所述修正系数的取值范围如下：

当道路仅积雪时，雪深修正系数取值为1.0；

当道路有积水时，雪深修正系数取值为0.6-0.7；

当道路有结冰时，雪深修正系数取值为0.7-0.8。

5.根据权利要求2所述的方法，其特征在于，利用无人驾驶车辆车载电子水平仪，感知到车身方向和水平方向的夹角作为道路坡度测量值。

6.根据权利要求2所述的方法，其特征在于，利用均匀分布在电池表面的16个非接触式温度传感器实时采集无人驾驶车辆的电池温度，通过插值处理，拟合出电池表面的三维温度分布数据图，并从中取极大值作为电池温度。

7.一种冰雪环境无人驾驶车辆电源模型预测系统，其特征在于，包括感知层、传输层、第一处理层以及第二处理层；

感知层，将感知设备采集到的数据信息发送到传输层；

所述感知设备包括设置在无人驾驶车辆上的激光传感器、倾角传感器、kinect传感器、电子水平仪和非接触式温度传感器；所述激光传感器和倾角传感器设置在无人驾驶车辆车体底部两侧轮距线中点处，所述kinect传感器设置于无人驾驶车辆的前端中部；

传输层，将感知层传输的数据转发至第一处理层和第二处理层；

第一处理层，对数据信息进行实时处理并发送到传输层；

第一处理层包括数据信息演算模块、图像处理模块和数据融合处理模块，所述数据信息演算模块将感知层中激光传感器、倾角传感器、电子水平仪和温度传感器采集的信息进行综合演算处理得到有效积雪深度测量值，计算最优道路坡度和最优电池温度；所述图像处理模块利用kinect传感器获取路面图像，通过红外图像和参考图像进行三角测量得到深度图像，利用三维重建方法对重建后的三维信息进行识别与特征提取获得积雪深度值；所述数据融合处理模块利用灰色神经网络模型将两种测量方法得到的有效积雪深度测量值进行加权融合，得到最优有效积雪深度测量值；

第二处理层，对经过第一处理层处理的数据进行电池电量的实时预测；

第二处理层包括基于小波神经网络的无人驾驶车辆的电池耗电率拟合网络和基于BP神经网络的无人驾驶车辆剩余电量预测网络，利用传输层发送的数据融合后的有效积雪深度、道路坡度和电池温度作为模型输入值，每一采集单位对应的电池耗电率作为模型输出值，将多个节点采集得到的数据信息作为训练样本，前一层基于小波神经网络的无人驾驶车辆的电池耗电率拟合网络输出的电池耗电率作为下一层基于BP神经网络的输入神经元，构建无人驾驶车辆电池电量的智能预测模型；然后利用经过第一处理层对感知层实时采集的数据进行处理后，经传输层传输至第二处理层的无人驾驶车辆电池电量的智能预测模型，获得车辆电池电量的实时预测。