1.一种应用于自动驾驶的特征向量处理方法，其特征在于，包括：

将残差模块输入的特征向量馈送至第一支路和第二支路，通过所述第一支路在水平方向对所述特征向量进行可形变卷积操作、通道衰减操作以及全局池化操作，以及通过所述第二支路在竖直方向上对所述特征向量进行可形变卷积操作、通道衰减操作以及全局池化操作；所述特征向量用于表征自动驾驶过程中的周围环境车辆的信息；

将所述第一支路的输出与所述第二支路的输出进行拼接处理，得到拼接向量，使用卷积变换函数对所述拼接向量进行变换处理；将变换处理后的拼接向量馈送至全连接层，将所述全连接层的输入分别在水平方向和竖直方向上进行卷积操作，得到所述输入的特征向量在水平方向上的注意力向量和所述输入的特征向量在竖直方向上的注意力向量；

基于所述在水平方向上的注意力向量和所述在竖直方向上的注意力向量，对所述输入的特征向量进行加权处理，得到加权后的特征向量；所述加权后的特征向量用于定位自动驾驶过程中的周围环境车辆的位置信息。

2.根据权利要求1所述的方法，其特征在于，所述第一支路包括依次连接的第一可形变卷积层、第一卷积层和第一全局池化层；

所述第一可形变卷积层的输出为：

其中，p0表示所述输入的特征向量中的每个特征点；y(px)表示p0经过可形变卷积操作后的水平方向上的位置；R表示卷积核，pn是对R中所列位置的枚举；Δpx表示水平方向上的偏移量。

3.根据权利要求2所述的方法，其特征在于，所述输入的特征向量的数据维度为C×H×W；所述第一可形变卷积层的输出的数据维度为C×(W+H)；

所述第一卷积层的卷积核大小为1x1，所述第一卷积层的输出的数据维度为C/r×(W+H)；

所述第一全局池化层的输出的数据维度为C/r×H×1。

4.根据权利要求3所述的方法，其特征在于，所述第一支路的输出中第c/r通道的输出为：其中，xc/r(h,i)表示所述第一卷积层的输出中高度为h的第c/r通道中的第i个特征点。

5.根据权利要求1所述的方法，其特征在于，所述第二支路包括依次连接的第二可形变卷积层、第二卷积层和第二全局池化层；

所述第二可形变卷积层的输出为：

其中，p0表示所述输入的特征向量中的每个特征点；y(py)表示p0经过可形变卷积操作后的竖直方向上的位置；R表示卷积核，pn是对R中所列位置的枚举；Δpy表示竖直方向上的偏移量。

6.根据权利要求5所述的方法，其特征在于，所述输入的特征向量的数据维度为C×H×W；所述第二可形变卷积层的输出的数据维度为C×(W+H)；

所述第二卷积层的卷积核大小为1x1，所述第二卷积层的输出的数据维度为C/r×(W+H)；

所述第二全局池化层的输出的数据维度为C/r×1×W。

7.根据权利要求6所述的方法，其特征在于，所述第二支路的输出中第c/r通道的输出为：其中，xc/r(j,w)表示所述第二卷积层的输出中宽度为w的第c/r通道中的第j个特征点。

8.一种应用于自动驾驶的特征向量处理装置，其特征在于，包括：

支路处理模块，用于将残差模块输入的特征向量馈送至第一支路和第二支路，通过所述第一支路在水平方向对所述特征向量进行可形变卷积操作、通道衰减操作以及全局池化操作，以及通过所述第二支路在竖直方向上对所述特征向量进行可形变卷积操作、通道衰减操作以及全局池化操作；所述特征向量用于表征自动驾驶过程中的周围环境车辆的信息；

拼接处理模块，用于将所述第一支路的输出与所述第二支路的输出进行拼接处理，得到拼接向量；

变换处理模块，用于使用卷积变换函数对所述拼接向量进行变换处理；

馈送模块，用于将变换处理后的拼接向量馈送至全连接层；

卷积处理模块，用于将所述全连接层的输入分别在水平方向和竖直方向上进行卷积操作，得到所述输入的特征向量在水平方向上的注意力向量和所述输入的特征向量在竖直方向上的注意力向量；

加权处理模块，用于基于所述在水平方向上的注意力向量和所述在竖直方向上的注意力向量，对所述输入的特征向量进行加权处理，得到加权后的特征向量；所述加权后的特征向量用于定位自动驾驶过程中的周围环境车辆的位置信息。