1.一种适用于综合驾驶工况下的道路坡度实时估计方法，其特征在于：包括以下步骤：
根据基于OpenXC搭建数据采集平台，获取车辆行驶状态数据；
基于车辆动力学建立坡度与OpenXC数据的关系模型，根据车辆行驶状态数据建立车辆纵向动力与道路坡度的关系模型；
基于坡度与OpenXC数据的关系模型，构建基于自适应扩展卡尔曼滤波算法模型；
根据刹车制动工况建立基于自回归预测模型的短程坡度估计方法；
根据自适应扩展卡尔曼滤波算法模型和自回归预测模型计算综合驾驶工况下的坡度估计。
2.如权利要求1所述的适用于综合驾驶工况下的道路坡度实时估计方法，其特征在于：
所述根据车辆行驶状态数据建立车辆纵向动力与道路坡度的关系模型，具体如下：
其中，σma为车辆纵向动力；i为道路坡度；Ft为在行驶过程中受到的车辆驱动力，Ff为车辆在行驶过程中受到的滚动阻力，Fi为坡度阻力，Fv为空气阻力，Fj为加速阻力；m为汽车质量、α为车辆纵向加速度，σ为旋转质量转换系数，ig为变速器传动比、i0是传速器传动比，η为机械效率，g为重力加速度，fr为滚动阻力，ρ是空气密度、CD是空气阻力系数，T表示转矩，A表示汽车横向面积，v表示车辆速度。
3.如权利要求1所述的适用于综合驾驶工况下的道路坡度实时估计方法，其特征在于：
所述构建基于自适应扩展卡尔曼滤波算法模型，具体如下：
1)将关系模型转化成离散状态空间的形式；
常规下状态空间描述的表达式为
其中， 是指状态变量，u∈R是系统输入，y∈Rm是系统输出，而A∈Rn×n，B∈Rn，C∈Rm×n表示系统参数矩阵；假设道路坡度没有发生突变，则状态方程为：
其中，θ表示坡度；表示坡度变化率；
为了实现道路坡度的实时递推估计，将状态方程离散化为：
其中，S(k)表示k时刻车辆行驶距离；V(k)表示k时刻的车辆速度；
Δt表示采样时间间隔；θ(k)表示k时刻的坡度；
以上是车辆最后实现离散状态空间描述：
其中，
式中，w(k)和v(k)分别为测量噪声和状态噪声，对应的噪声协方差分别为R(k)和Q(k)；
X(k)表示k时刻的状态值；Φ(k)表示状态转移矩阵；G(k)表示控制输入矩阵；U(k)表示控制输入变量；H(k)表示观测矩阵；Z(k)表示k时刻的观测值；
f(X(k),U(K))表示状态转移矩阵。
4.如权利要求1所述的适用于综合驾驶工况下的道路坡度实时估计方法，其特征在于：
所述建立基于自回归预测模型的短程坡度估计方法，具体如下：
确定历史道路坡度数据长度；
对历史道路坡度数据的时间序列进行平稳性检验，若时间序列是非平稳的，对历史道路坡度数据通过差分的方式进行平稳化处理；
确定自回归模型最优的阶数和参数。
5.如权利要求1所述的适用于综合驾驶工况下的道路坡度实时估计方法，其特征在于：
所述综合工况下的道路坡度实时估计，具体如下：
获取制动踏板信号，并判断制动踏板信号是否为1；
当制动踏板信号为1时，调用自回归预测算法对坡度进行预测估计；
检验时间序列的平稳性，如果不满足平稳性，则对时间序列差分平稳化处理；
如果满足平稳性，则基于信息最小准则求AR最优阶数；
进行模型参数识别；
利用检验的模型进行坡度估计。
6.如权利要求5所述的适用于综合驾驶工况下的道路坡度实时估计方法，其特征在于：
所述综合工况下的道路坡度实时估计时，如果制动踏板信号不是1；则按照以下步骤进行：
自适应卡尔曼滤波坡度估计；
车辆纵向动力学建模；
离散状态空间模型；
基于状态方程获取先验值；
获取坡度值并测量更新；
误差协方差修正。