车辆状态估计在许多与智能交通系统相关领域是基础问题，在车辆定位、车辆导航和目标跟踪等应用研究中得到了广泛关注。准确的车辆信息可以帮助司机和行人尽早获得来自车载系统的安全警告，从而避免致命车辆碰撞或交通事故的发生。然而在工程界和研究界，车辆状态（或车辆移动信息）的准确实时检测或准确预测还存在许多挑战。传统的定位技术主要依赖全球卫星导航系统(GNSS)和全球卫星定位系统(GPS)，然而当卫星信号遭受高楼、山体遮挡、信道干扰或多径反射干扰时，定位精度会受到极大的影响。在实际的智能交通系统，当车辆处于室内环境GPS信号衰弱或者缺失时，这个问题变得尤为严重。针对这个问题，目前有一种融合GPS与惯性导航的系统被应用于众多领域，这是一种可选择的多传感器集成的导航系统。惯性导航系统不需要额外的基础设施，仅通过计算机、运动传感器（如加速度传感器）和旋转传感器（如陀螺仪）进行连续的航位推测，即可计算出移动物体的位置、方向和速度。　　根据GPS信号遮挡程度，上述具有挑战的环境可以分为GPS完全失效和GPS部分失效的两种情况。其中，GPS完全失效是指GPS信号被完全遮挡，完全接收不到GPS信号的情况;GPS部分失效指的是可以收到部分卫星的GPS信号，但接收到来自少于四颗卫星的信号，此时将存在很高的几何精度衰减因子(GDOP)。后者与卫星的角度越小，得到的计算结果精度越高。不幸的是，由于噪声干扰没有被很好的应对，目前许多车辆移动信息估计的方法在遭遇这些场景时存在不适用和不准确的问题。这些技术主要面临三个问题:复杂性、非线性和运动模型不确定性。一般而言，这些挑战使得这些技术在智能交通系统的应用中难以达到精度要求。而且，车辆状态的实时估计和短时预测仍然是一个具有挑战的问题。实际上，这智能交通系统这些问题变得更具挑战，比如在车辆移动在GPS完全失效或部分失效的场景时。本文将考虑GPS与惯性导航系统结合的车辆移动状态估计。　　另一方面，由于高斯模型比非高斯模型更加容易进行处理，研究者通常假定车辆状态信息的处理和测量系统满足均值为零的高斯白噪声。尽管如此，现有研究表明，在一些工程系统中噪声一般服从非高斯分布。接下来，本文将针对这种噪声符合非高斯的情况进行分析。此外，非高斯统计模型在其他研究领域，如工程学、信号处理、目标跟踪、天文学和生物医学也是十分重要的。针对这两项具有挑战的工作，本文提出了三种在非高斯环境下的车辆状态实时估计和预测技术。并利用基于智能手机的车辆感知模型，在真实环境下进行数据采集，对所提出的方法性能进行了实际验证。本文的主要研究工作如下:　　1>提出一种分层约束的三目标优化方法(Hierarchical Constrained Tri-objective Optimization，HCTO)，可以实现提升车辆位置实时估计的精度。本方法的一个优势是可以把复杂问题的求解转化为许多子问题进行简化解决，由此降低了全局问题的计算开销。而且，该方法不需要全局问题的完整信息，即可对问题进行分块求解，并保证计算步骤的关键性能。在本方法第一个子问题的划分是处理过程和测量过程中的噪声非高斯性问题。一般来说，非高斯噪声比高斯噪声更难处理，因此采用广义误差分布(Generalized Error Distribution，GED)对非高斯分布进行近似处理。GED的随机变量的概率密度函数由三个参数表示:形状参数、位置参数和规模参数，且假设形状参数已知。并采用最大似然模型对估计样本的参数进行估计，比如对处理过程和测量过程中噪声的均值参数和方差（协方差）参数，由此可以降低全局问题的计算开销。在本文工作中，证明了当形状参数趋近于零时，GED接近高斯分布，这不仅迫使观测的方差（协方差矩阵）增加也影响车辆状态估计的精度。而且，为了获得处理和测量噪声的最优解，通过估计参数的协方差矩阵获得最小化的约束边界，并用来作为噪声序列。此外，依据半正定规划(SDP)，通过线性不等式(LMI)的方法可以获得估计状态误差的最优解上界。本方法分别在高斯和非高斯分布的环境进行了比较，并与现存的非线性估计方法进行了比较，例如与粒子滤波(Particle Filter，PF)和无迹卡尔曼滤波(Unscented Kalman Filter，UKF)在非高斯分布下进行了比较。并通过实际场景的实验验证本方法的有效性。测试车辆在湖南大学区域的不同道路采用不同的行驶速度进行了比较，行驶时间大约为5分钟。实验结果表明，针对车辆状态估计，HCTO能够实现较高的估计精度和较低的均方根误差(root mean-squareerror，RMSE)，尤其在噪声分布符合非高斯分布的情况。　　2>为提高极端环境下车辆运动状态的估计精度，基于改进的粒子滤波(PF)并结合无迹卡尔曼滤波(UKF)，提出一种非高斯均方根无迹卡尔曼滤波方法(nGSR-UPF)用于GPS/INS信息融合。在该方法中，利用稀疏高斯核密度估计来逼近非高斯概率密度分布，提出最小绝对收缩和选择算子(Least absolute shrinkageand selection operator, LASSO)，用于降低nGSR-UPF计算核函数权值的计算复杂度。通过将权值向量的大部分元素置零，nGSR-UPF也能到优化非高斯概率密度分布。将nGSR-UPF用于GPS和惯性传感器测量数据的融合过程，是出于三方面考虑:1）该方法使用无迹变换来计算经历非线性变换之后的随机变量的统计值;2)非常适用于处理非高斯分布噪声，因此是一种针对非线性/非高斯问题的非参数估计方法;3）对于满足GPS卫星可视条件的应用场景，通过均方根无迹卡尔曼滤波(SR-UKF)来更新均值和协方差是基于GPS的观测值，这使得nGSR-UPF具备了预测功能。考虑到使用低成本惯性传感器，会造成粒子分布的偏移，基于SR-UKF的重要性密度能够使得加权粒子分布集中于高概率区域。为验证所提方法的性能，利用智能手机传感器进行车载行驶数据收集的实测实验。在GPS完全缺失的情况下，陀螺仪能够持续不断的提供行驶速度信息，为了测试方法在GPS信号中断时的可靠性和鲁棒性，在实验中仍然使用GPS来提供位置与速度信息。对比实验中选取的方法包括高斯和粒子滤波，扩展卡尔曼滤波，无迹卡尔曼滤波等方法，实验结果表明对于GPS信号中断或无中断的场景，所提出的nGSR-UPF能够获得最高的精度。同时，论证了通过结合LASSO，能够进一步的降低nGSR-UPF的计算复杂度。　　3>针对GPS信号部分或全部缺失的情况，利用以极大概率服从有限等距特性的稀疏随机高斯矩阵作为测量模型建模，提出一种能够在极端环境下持续预测车辆位置的新方法。为了应对GPS信号无缺失、部分缺失和完全缺失的不同场景，提出一种高斯模型用于调整GPS信号传播权值。提出稀疏随机高斯预测(SRGP)方法，用于GPS信号无缺失和完全缺失场景下的车辆位置预测。对于GPS信号部分缺失时，为提高位置预测的可靠性，在SRGP方法中结合贝叶斯推断方法对GPS和INS的测量值输入进行建模。选择合适的滑动窗，用于控制GPS和INS的数据流大小。与本论文的第一个工作类似，将非高斯分布的测量噪声建模为非零形状的广义噪声分布模型。通过环绕湖南大学校区，进行了25分钟的实际路测实验，车辆行驶过程中经过了GPS信号无缺失、部分缺失和完全缺失区域。分别用B-SRGP(gn)和B-SRGP(non-gn)表示将所提方法运用于高斯分布噪声和非高斯分布噪声的场景。实际上，对比方法包括KF和多元自适应回归样条方法(MultivariateAdaptive Regression Splines，MARS)，结果表明，当测量误差为非高斯分布时，所提B-SRGP方法能够获得更好的车辆位置预测精度和较小的均方根预测误差。