1.一种预测前车制动的驾驶辅助系统，其特征在于，包括：路测设备和车载设备；其中，路侧设备包含毫米波雷达、智能高清摄像头和RSU智能路侧单元；所述RSU智能路侧单元包含边缘计算处理单元；车载设备包含OBU智能车载单元和车载显示屏；所述OBU智能车载单元包含数据存储单元、处理单元和无线通讯单元；

所述毫米波雷达安装在路侧或中央隔离带上，且朝向车道线方向，用于采集车道内的车辆的运动数据信息，并将其传输给RSU智能路侧单元；其中，车辆的运动数据信息包含车辆的速度和后车的车头与前车的车尾之间的距离；

所述智能高清摄像头安装在所述毫米波雷达的上方，用于拍摄车道内的车辆图像，并将其传输给RSU智能路侧单元；

所述RSU智能路侧单元安装在公路的路侧，用于将车辆的运动数据信息和车辆图像传输给边缘计算处理单元；

所述边缘计算处理单元用于提取运动数据信息中的车辆的速度和后车的车头与前车的车尾之间的距离以及车辆图像中车辆制动时的时刻，并将其传输给OBU智能车载单元；

所述OBU智能车载单元安装于汽车前挡风玻璃内侧，用于将车辆的速度和后车的车头与前车的车尾之间的距离以及车辆图像中车辆制动时的时刻传输给数据存储单元；

所述数据存储单元用于对车辆的速度和后车的车头与前车的车尾之间的距离以及车辆图像中车辆制动时的时刻进行存储，同时将其传输给处理单元；

所述处理单元用于对车辆的速度和后车的车头与前车的车尾之间的距离以及车辆图像中车辆制动时的时刻进行处理，并将处理结果发送给无线通讯单元；

所述无线通讯单元用于将处理结果传输给车载显示屏；

所述车载显示屏安装在车辆仪表盘附近，用于向自车驾驶员显示前车的制动信息。

2.根据权利要求1所述的预测前车制动的驾驶辅助系统，其特征在于，所述路侧设备有多个，相邻两个所述路侧设备之间的间隔为200m。

3.一种预测前车制动的驾驶辅助方法，其特征在于，包括如下步骤：步骤1，利用毫米波雷达和智能高清摄像头检测车道上是否存在多车跟车行为的车队，若是，则转至步骤2；

步骤2，当车队内任意一个车辆的制动灯亮起时，获取该车辆及其后所有车辆的制动时刻t、制动车辆的速度v、制动车辆后车的速度v以及制动车辆与后车之间的距离l，并根据第i个车辆的制动时刻ti、速度vi、第i个车辆制动时第i+1个车辆的速度 第i+1个车辆与第i个车辆之间的距离li‑(i+1)以及第i+1个车辆制动时的制动时刻ti+1和速度vi+1计算第i个车辆的最大制动减速度amaxi，第i+1个车辆的跟车时距Di+1、制动反应时间T反应(i+1)和最大制动减速度amax(i+1)；其中，车队内车辆的总数为n，n≥3且n为正整数，1≤i≤n且i为正整数；

步骤3，获取多个历史数据，提取每个历史数据中的前车的最大制动减速度、后车的跟车时距、后车的制动反应时间和后车的最大制动减速度，将其建立为一个样本，多个样本组成一个样本集并将样本集保存在存储单元中；

第i个车辆的制动灯亮起时，所采集的历史数据对应样本(amaxi，Di+1，T反应(i+1)，amax(i+1))，其中，amaxi为第i个车辆的最大制动减速度，Di+1为第i+1个车辆的跟车时距，T反应(i+1)为第i+1个车辆的制动反应时间，amax(i+1)为第i+1个车辆的最大制动减速度；

将存储单元中保存的每个样本中的前车的最大制动减速度和后车的跟车时距作为BP神经网络模型的输入，后车的制动反应时间和后车的最大制动减速度作为BP神经网络模型的输出，对BP神经网络模型进行训练，得到训练完成的BP神经网络模型；

步骤4，根据训练完成的BP神经网络模型可预测当车队内的车辆发生制动行为时其后面所有车辆的制动反应时间T反应和最大制动减速度amax，再根据预测的车队内制动车辆后面的所有车辆的制动反应时间T反应计算出自车前车的制动反应时间T反应，并显示前车的制动信息，提醒自车及时作出调整。

4.根据权利要求3所述的预测前车制动的驾驶辅助方法，其特征在于，步骤1中，所述检测车道上是否存在多车跟车行为的车队，具体为：当车队内的每相邻两辆车之间的跟车距离小于100米时，则判定车辆间存在跟车行为，存在跟车行为的连续多辆车可判定为一个车队；否则，不存在跟车行为。

5.根据权利要求3所述的预测前车制动的驾驶辅助方法，其特征在于，步骤2中，第i个车辆的最大制动减速度amaxi，第i+1个车辆的跟车时距Di+1、制动反应时间T反应(i+1)和最大制动减速度amax(i+1)的计算过程分别如下：T反应(i+1)＝t(i+1)‑ti其中，△t在本发明中设为0.5秒，ti为车队内第i个车辆的制动时刻，△vi为车队内第i个制动车辆0.5秒的速度差，△vi+1为车队内第i+1个制动车辆0.5秒的速度差，ti+1为车队内第i+1个车辆的制动时刻，li‑(i+1)为车队内第i+1个车辆与第i个车辆之间的距离， 为第i个车辆制动时第i+1个车辆的速度，amaxi为第i个车辆制动时的最大制动减速度，amax(i+1)为第i+1个车辆制动时的最大制动减速度。

6.根据权利要求3所述的预测前车制动的驾驶辅助方法，其特征在于，步骤3中，对BP神经网络模型进行训练，具体为：

获取训练样本集和测试样本集，通过训练样本训练BP神经网络模型，得到训练后的BP神经网络模型，再通过测试样本对训练好的BP神经网络模型进行测试；当BP神经网络模型的输出与测试样本的标签之间的差值的平均值小于预设的误差阈值，则确定BP神经网络模型训练完成；

其中，训练样本集和测试样本集分别选自历史数据，每个样本由前车的最大制动减速度、后车的跟车时距、后车的制动反应时间和后车的最大制动减速度组成；测试样本的标签为后车的制动反应时间和后车的最大制动减速度。

7.根据权利要求3所述的预测前车制动的驾驶辅助方法，其特征在于，步骤4中，计算自车前车的制动反应时间T反应，具体为：T反应(n‑1)＝T反应(i+1)+T反应(i+2)+……T反应(n‑1)其中，T反应(n‑1)为车队内第i个车辆制动时第n‑1个车辆的制动反应时间，T反应(i+1)为车队内第i+1个车辆的制动反应时间，T反应(i+2)为车队内第i+2个车辆的制动反应时间，T反应(n‑1)为车队内第n‑1个车辆的制动反应时间。

8.根据权利要求3所述的预测前车制动的驾驶辅助方法，其特征在于，步骤4中，当计算的车队内自车前车的制动反应时间T反应≥5s时，OBU智能车载单元暂时不对自车的车载显示屏发布提醒，经过t等待＝T反应‑5s后再向自车的车载显示屏传输前车的制动信息，提醒自车及时作出调整。