1.一种基于汽车防撞雷达的道路多目标跟踪方法，具体步骤如下：
步骤1、获取先验信息，建立第一观测与运动模型；所述先验信息为通过汽车防撞雷达获取的目标状态信息；
确定状态方程 量测方程 及其道路目标的多种模型；状态方程建立为：
其中， 是目标模型的状态转移矩阵，下标m代表不同目标模型，下标k表示时刻k，下标i表示不同目标；假设噪声服从高斯分布，有
汽车防撞雷达观测向量 其中，θk为观测方位角，rk为目标与观测点间距离；
步骤2、建立第二观测与运动模型，初始化有向图模型集，建立有向图Φ；
2(a)、汽车防撞雷达车辆目标限于二维平面运动，目标i在k时刻的非线性量测模型如下：
其中， 为高斯分布的量测噪声，xs,k，ys,k为自车观测位置坐标；
2(b)、建立有向图Φ，及其有向子图Φ(l){βl-1,βl,βl+1}；
步骤3、建立自适应有向图切换准则；设k-1时刻子图为Φ(k-1)，切换规则如下：
式中，τDS是模型转换的阈值概率， 表示k-1时刻概率β(i±1)；
步骤4、初始化及计算混合参数；
4(a)、时刻k＝0时，每一向量子图Dn中含M个模型；对于当前模型q(q＝1,...,M)，初始化目标状态 目标协方差矩阵 模型概率
4(b)设当前时刻k-1,下一时刻为k；则对于k＞0时刻的第i个高斯分量，有：
其中， 为k-1时刻的高斯分量i模型p的出现概率；
步骤5、各目标模型的UKGMPHD滤波；
以各高斯分量i在k-1时刻所得混合参数作为输入进行UKGMPHD滤波,得k时刻跟踪权值，状态及协方差矩阵
步骤6、估计融合；估计融合PHD函数：
其中，Jk为高斯分量个数，高斯分量i的权值，均值，协方差分别为：
上式中，
步骤7、输出多目标的跟踪位置估计轨迹。
2.根据权利要求1所述的一种基于汽车防撞雷达的道路多目标跟踪方法，其特征在于：
步骤4还包括，当前有向量子图内模型数M，交互初始PHD函数为：
混合权值、状态、协方差分别为：
上式中，
3.根据权利要求1所述的一种基于汽车防撞雷达的道路多目标跟踪方法，其特征在于：
所述步骤5还包括以下过程：
5(a)、对k＝0时刻，初始化目标概率密度，有：
5(b)、预测；
对k＞0时刻，k-1时刻，高斯分量i总数Jk-1，概率密度假设函数Dk-1(x)为：
依据状态方程，一步预测均值 方差 如下：
式中，l＝0,……,2n为无迹滤波的Sigma点，L＝2n+1为Sigma点总数；则k时刻预测概率密度假设函数为：
5(c)更新；
对于雷达获取的非线性量测方程，一步预测均值、方差分别为：
结合步骤5(b)结果Dk|k-1(x)及检测概率PD,k，k时刻的更新概率密度假设函数Dk(x)为：
DD,k(x；z)、估计均值 方差 可表示为：
其中，
高斯分量i的估计均值和方差如下：
上式中，状态增益矩阵、协方差分别为：
5(d)剪枝；
对于更新得到的高斯分布进行剪枝，若高斯分布小于修剪阈值τ，直接予以删除；公式为：
5(e)合并；
对于分布接近的若干高斯分布，合并为一个新的分布，即集合：
合并后，新的高斯分布为：
5(f)目标数目与状态估计；
目标数目估计为融合估计的权值，即： 取整得到目标数目；
按照上述步骤输出合并后状态记作
4.根据权利要求3所述的一种基于汽车防撞雷达的道路多目标跟踪方法，其特征在于：
所述步骤5(b)中，所述预测概率密度假设函数Dk|k-1(x)依据对象的不同分为存活目标和新生目标概率密度假设函数；
所述概率密度假设函数为：Dk|k-1(x)＝DS,k|k-1(x)+γk(x)
所述存活目标、新生目标概率密度假设函数分别如下：
5.根据权利要求1～4所述的任一种基于汽车防撞雷达的道路多目标跟踪方法，其特征在于：在步骤5完成后，还存在模型概率更新步骤；在所述模型概率更新步骤完成后，返回步骤4；
所述模型概率更新步骤如下：
k时刻模型(q＝1,...,M)下高斯分量i的似然函数为 模型q更新概率为：
6.一种具有自动驾驶模式的车辆驾驶系统的方法，其特征在于：基于权利要求1～5所述的任一种基于汽车防撞雷达的道路多目标跟踪方法将关于相关行驶路段的多目标跟踪信息输出形成多目标跟踪位置估计轨迹，所述多目标跟踪位置估计轨迹信息或数据提供到一个或多个车辆驾驶系统，所述车辆驾驶系统基于所述多目标跟踪位置估计轨迹信息或数据发出自动驾驶模式的命令。
7.根据权利要求6所述一种具有自动驾驶模式的车辆驾驶系统的方法，其特征在于：所述多目标跟踪位置估计轨迹信息或数据与车辆导航系统的地图数据相结合；所述车辆导航系统来自于车辆驾驶系统或其它终端。