La premisa de la toma de decisiones inteligente de vehículos es obtener los parámetros del estado de movimiento del vehículo de manera precisa y en tiempo real. Varios parámetros de estado no pueden medirse directamente por los sensores del vehículo, por lo que los algoritmos de estimación basados en filtrado son soluciones efectivas. El algoritmo más representativo es el filtro de Kalman, especialmente el filtro de Kalman insensato estándar (UKF) que se ha utilizado ampliamente en la estimación del estado del vehículo debido a su superioridad en el tratamiento de problemas de filtrado no lineales. Sin embargo, aunque el UKF asume que las estadísticas de ruido del sistema son conocidas, debido a las condiciones operativas complejas y cambiantes, el envejecimiento de los sensores y otros factores, estos ruidos varían. Con el fin de realizar una estimación de estado de vehículo de alta precisión, en este artículo se propone un algoritmo UKF adaptativo al ruido. El algoritmo del máximo a posteriori (MAP) se utiliza para actualizar dinámicamente el ruido del sistema del vehículo, y se incrusta en el paso de actualización del UKF para formar un filtro de Kalman insensato adaptativo (AUKF). El sistema actualizará dinámicamente el ruido cuando las estadísticas de ruido sean desconocidas y evitará la divergencia del filtro ajustando la media y la covarianza del ruido estimado para mejorar la precisión. Sobre esta base, el método propuesto se verifica mediante la simulación conjunta de CarSim y Matlab/Simulink, confirmando que el AUKF tiene un mejor rendimiento que el UKF estándar en precisión y estabilidad de la estimación bajo diferentes grados de perturbación de ruido, y la precisión de la estimación de la velocidad de guiñada, el ángulo de deslizamiento lateral y la velocidad longitudinal mejora en un 20,08%, 40,98% y 89,91%, respectivamente.