1.一种车辆状态估计方法，其特征在于：包括以下步骤：步骤1：构建车辆状态的线性系统，所述车辆状态的线性系统采用状态方程和观测方程来描述，状态方程和观测方程中的噪声采用非高斯噪声统计模型来描述；所述车辆状态包括车辆位置和车辆速度；

步骤2：在车辆状态的线性系统下，采用基于混合核函数的自适应核最大相关熵卡尔曼滤波方法，对车辆状态进行估计，以此获取车辆状态的最优状态估计；

其中，所述基于混合核函数的自适应核最大相关熵卡尔曼滤波方法，包括：根据前一时刻的车辆状态估计和前一时刻的状态估计误差协方差，进行一步预测，得到当前时刻的预测车辆状态估计和预测误差协方差；

将针对观测方程残差项的核函数和针对状态方程预测误差项的核函数的加权和作为代价函数；对代价函数进行最大化处理，得到当前时刻的车辆状态估计和当前时刻的状态估计误差协方差；

其中，针对观测方程残差项的核函数和针对状态方程预测误差项的核函数的核宽根据观测方程残差项自适应更新；

记前一时刻为k‑1时刻，当前时刻为k时刻；

所述状态方程表示为：

xk＝Fkxk‑1+ωk                    (1)式中，xk表示k时刻的车辆状态，Fk表示k时刻的状态转移矩阵，xk‑1表示k‑1时刻的车辆状态，ωk表示k时刻的过程噪声；所述过程噪声为服从均值为0、协方差矩阵为Qk的非高斯分布，其中， E(·)表示期望运算，上标T表示转置；

所述观测方程表示为：

yk＝Hkxk+vk          (2)

式中，yk表示k时刻的观测输出，Hk表示k时刻的观测矩阵，vk表示k时刻的测量噪声；所述测量噪声为服从均值为0、协方差矩阵为Rk的非高斯分布，其中，所述状态方程和观测方程中的噪声采用非高斯噪声统计模型来描述，具体表示为：ωk～(1‑a)*N(0，Qk)+a*N(0，αQk)   (3)vk～(1‑b)*N(0，Rk)+b*N(0，βRk)       (4)式中，a、b∈(0，1]分别表示过程噪声和测量噪声的高斯组件的凸组合系数，α、β∈(0，+∞)分别表示过程噪声和测量噪声的非高斯强度系数，N(0，Qk)表示符合均值为0、方差为Qk的正态分布，N(0，αQk)表示符合均值为0、方差为αQk的正态分布，N(0，Rk)表示符合均值为0、方差为Rk的正态分布，N(0，βRk)表示符合均值为0、方差为βRk的正态分布，Qk表示k时刻的过程噪声协方差，Rk表示k时刻的测量噪声协方差；

所述根据前一时刻的车辆状态估计和前一时刻的状态估计误差协方差，进行一步预测，得到当前时刻的预测车辆状态估计值和预测误差协方差，具体为：根据k‑1时刻的车辆状态估计和k‑1时刻的状态估计误差协方，按照以下预测方程，进行一步预测，得到k时刻的预测车辆状态估计值和预测误差协方差：T

Pk|k‑1＝FkPk‑1Fk+Qk       (6)式中， 表示k时刻的一步车辆状态预测， 表示k‑1时刻的车辆状态估计，Pk|k‑1表示预测误差协方差；Pk‑1表示k‑1时刻的状态估计误差协方差；

所述观测方程残差项表示为：yk‑Hkxk；所述状态方程预测误差项表示为：所述针对观测方程残差项的核函数，表示为：

式中，||·||表示2范数，|·|表示1范数，λ∈[0，1]表示混合系数，σ＞0表示核宽，sqrt(·)表示平方根函数，exp(·)表示以自然常数e为底的指数函数；

所述针对状态方程预测误差项的核函数，表示为：

所述代价函数表示为：

2.根据权利要求1所述的一种车辆状态估计方法，其特征在于：所述针对观测方程残差项的核函数和针对状态方程预测误差项的核函数的核宽根据观测方程残差项自适应更新，表示为：式中， 表示k时刻的车辆状态估计。

3.根据权利要求2所述的一种车辆状态估计方法，其特征在于：所述对代价函数进行最大化处理，得到当前时刻的车辆状态估计和当前时刻的状态估计误差协方差，具体为：对代价函数关于k时刻的车辆状态估计 求导，并让导数为0，表示为：式中，sgn(·)表示符号函数；Gσr表示针对观测方程残差项的核函数的缩写；Gσp表示针对状态方程预测误差项的核函数的缩写；在核函数中做近似得到：

式中，In表示n维单位矩阵，KMKC表示滤波增益，Pk|k表示k时刻的状态估计误差协方差，Lk表示中间变量，