1.一种基于驾驶员行为的运动车辆状态预测方法，其特征在于，包括以下步骤：步骤1)、获取运动车辆的视频图像，从而得到驾驶员行为；

步骤2)、对驾驶员行为进行人工势场法分析，获取驾驶员行为的斥力场求梯度和虚拟力；

步骤3)、将驾驶员行为的斥力场求梯度和虚拟力结合自适应无迹卡尔曼滤波法建立融合驾驶员行为的运动方程，实现车辆运动状态预测。

2.根据权利要求1所述的一种基于驾驶员行为的运动车辆状态预测方法，其特征在于，具体的获取运动车辆的航拍视频图像，建立驾驶员行为参数：避免超速行驶和防追尾，建模为虚拟力场。

3.根据权利要求2所述的一种基于驾驶员行为的运动车辆状态预测方法，其特征在于，由速度上限产生的斥力场为：其中， 为速度上限产生的斥力场，k表示第k帧视频； 为车辆θ的速度， 为车辆θ在x坐标轴的分速度， 为车辆θ在y坐标轴的分速度；上标s代表避免超速；为车辆θ的速度上限；a0和b0均为正系数，代表斥力场 的幅值和响应速度；

对由速度上限产生的斥力场求梯度，得斥力场 产生的斥力为：其中， 为斥力场 产生的斥力；为微分算子。

4.根据权利要求3所述的一种基于驾驶员行为的运动车辆状态预测方法，其特征在于，建立防追尾斥力场：其中，Jθτ(dθτ(k),vθτ(k))表示防追尾斥力场；dθτ(k)为车辆θ与前车τ的距离；dθτ为最小安全距离， 为斥力场起作用的最大距离，g0和n0为正系数，vθτ(k)为车辆θ与前车τ的相对速度，表示为vθτ(k)＝vθ(k)-vτ(k)；

h(vθτ(k))为非负函数，且满足0≤h(vθτ(k))≤1，定义为：h(vθτ(k))为递增函数，当vθτ(k)→0时，h(vθτ(k))→0；当vθτ(k)→∞时，h(vθτ(k))→1；h(vθτ(k))<1，其含义是相对速度产生的斥力场不超过由距离产生的斥力场：

对防追尾斥力场求梯度，可得防追尾斥力场产生的虚拟力为：fθτ(dθτ(k),vθτ(k))为防追尾斥力场Jθτ(dθτ(k),vθτ(k))产生的虚拟力。

5.根据权利要求4所述的一种基于驾驶员行为的运动车辆状态预测方法，其特征在于，建立车辆CV运动模型为：其中， 为状态变量；xθ(k)和yθ(k)表示是车辆θ在x轴和y轴的位置； 和 表示是车辆θ在x轴和y轴的速度；fk(·)和hk(·)分别为动力学系统的状态函数和观测函数； 为观测变量；ωθ(k)和ρθ(k)为互不相关的高斯白噪声；k+1表示第k+1帧视频。

6.根据权利要求5所述的一种基于驾驶员行为的运动车辆状态预测方法，其特征在于，ωθ(k)为非零均值、协方差矩阵为非常数的高斯噪声。

7.根据权利要求4所述的一种基于驾驶员行为的运动车辆状态预测方法，其特征在于，建立融合驾驶员行为的运动方程为：其中， 为加速度 和aθτ(k)对车辆θ的动态方程产生的影响； 和aθτ(k)分别是虚拟力 和fθτ(dθτ(k),vθτ(k))产生的加速度，即：其中，mθ表示车辆θ的质量；即完成了融合驾驶员行为的自适应无迹卡尔曼滤波方程，对运动车辆进行状态预测。

8.根据权利要求7所述的一种基于驾驶员行为的运动车辆状态预测方法，其特征在于，在进行前向预测时需增加驱动项，即：其中， 为Xθ(k)的估计值， 表示前向预测值。