1.一种面向智能驾驶车辆的多传感器融合方法，其特征在于，包括：

S1：根据GM‑PHD算法和探测物体的矩形目标模型构建扩展目标跟踪器；采用扩展目标跟踪器对毫米波雷达的2维探测信息进行处理，得到探测物体的毫米波雷达航迹信息；

构建扩展目标跟踪器的过程包括：

根据探测物体的矩形目标模型得到探测物体的矩形扩展目标状态；

根据探测物体的矩形扩展目标状态，采用GM‑PHD算法计算k时刻多目标预测PHD和k时刻多目标后验PHD，得到扩展目标跟踪器；

S2：构建边界框探测器和配置有IMM‑UKF的JPDA跟踪器；采用边界框探测器和配置有IMM‑UKF的JPDA跟踪器对激光雷达的3维探测信息进行处理，得到探测物体的激光雷达航迹信息；

构建边界框探测器的过程包括：采用基于RANSAC平面拟合算法对激光雷达数据进行预处理，得到目标点云；采用欧几里得算法对目标点云进行聚类；根据聚类的目标点云构建边界框探测器的状态向量，进而得到边界框探测器；

构建配置有IMM‑UKF的JPDA跟踪器的过程包括：

配置有IMM‑UKF的JPDA跟踪器由输入交互模块、UKF滤波模块、概率更新模块、JPDA数据关联模块以及输出融合模块构成；

输入交互模块根据UKF滤波模块中的UKF滤波器在k时刻的第一状态估计和第一协方差矩阵计算第二状态估计和第二协方差矩阵并输出；

UKF滤波模块中的UKF滤波器根据输入交互模块的输出和k时刻的有效观测向量，输出k+1时刻的第三状态估计和第三协方差矩阵；

概率更新模块根据UKF滤波模块的残差信息，计算k+1时刻运动模型的条件概率；

JPDA数据关联模块根据第三状态估计、第三协方差矩阵和目标在运动模型下的第一测量信息，计算目标k+1时刻在运动模型下的第二测量信息；

输出融合模块根据k+1时刻运动模型的条件概率、第二测量信息、第三状态估计和第三协方差矩阵计算融合后的状态估计和协方差矩阵；

S3：采用时空间转换将毫米波雷达航迹信息和激光雷达航迹信息进行处理，得到中心融合节点；采用IMF算法对中心融合节点进行处理，得到全局航迹信息；根据全局航迹信息实现对探测物体的跟踪。

2.根据权利要求1所述的一种面向智能驾驶车辆的多传感器融合方法，其特征在于，矩形扩展目标状态表示为：ξ＝(γ ,x,X)

其中，ξ表示探测物体扩展目标的状态，γ表示探测物体扩展目标的量测率状态，x表示探测物体扩展目标的运动状态，X表示探测物体扩展目标的扩展状态。

3.根据权利要求1所述的一种面向智能驾驶车辆的多传感器融合方法，其特征在于，边界框探测器的状态向量为：其中，x′表示状态向量，x表示探测目标的横坐标，y表示探测目标的纵坐标，v表示探测目标的速度，θ表示探测目标的方向角，ω表示探测目标的角速度，z表示探测目标的垂向坐标，表示探测目标的垂向速度，L表示探测目标的长度，W表示探测目标的宽度，H表示探测目标的高度。

4.根据权利要求1所述的一种面向智能驾驶车辆的多传感器融合方法，其特征在于，采用IMF算法对中心融合节点进行处理的公式包括：更新协方差：

更新状态估计：

其中，P(k|k)表示传感器从0到k时刻的全局协方差，P(k|k‑1)表示传感器从0到k‑1时刻的全局协方差，Pi(k|k)表示第i个传感器从0到k时刻的局部协方差，Pi(k|k‑1)表示第i个传感器从0到k‑1时刻的局部协方差，Nk表示传感器数量， 表示传感器从0到k时刻的全局状态估计， 表示传感器从0到k‑1时刻的全局状态估计， 表示第i个传感器从0到k时刻的局部状态估计， 表示第i个传感器从0到k‑1时刻的局部状态估计。

5.一种面向智能驾驶车辆的多传感器融合系统，该系统用于执行权利要求1～4中任意一项面向智能驾驶车辆的多传感器融合方法，其特征在于，包括：扩展目标跟踪模块、边界探测器模块、点目标跟踪模块和航迹融合模块；

所述扩展目标跟踪模块用于根据GM‑PHD算法和探测物体的矩形目标模型对毫米波雷达的2维探测信息进行处理，得到探测物体的毫米波雷达航迹信息；

所述边界框探测器模块用于根据基于RANSAC平面拟合算法和欧几里得算法对激光雷达的3维探测信息进行处理，得到探测物体的3维信息；

所述点目标跟踪模块用于，采用配置有IMM‑UKF的JPDA跟踪器对探测物体的3维信息进行处理，得到探测物体的激光雷达航迹信息；

所述航迹融合模块用于融合探测物体的毫米波雷达航迹信息和探测物体的激光雷达航迹信息，得到全局航迹信息。