1.一种自动驾驶数据处理方法，其特征在于，其应用于路侧和/或车端，所述自动驾驶数据处理方法包括：S1：利用多元融合感知方法获取当前交通环境；

S2：对所述当前交通环境中的交通参与者进行识别，并对所述交通参与者的行动轨迹进行预测，得到预测结果；

S3：根据所述当前交通环境以及所述预测结果，构建当前交通环境下的自动驾驶车辆的决策模型和约束规则；

S4：确定所述自动驾驶车辆决策模型的包络区间；

S5：利用数据驱动方法，确定所述包络区间的乘客评价模型；

S6：判断所述乘客评价模型是否为目标乘客评价模型，若是，进入步骤S7；否则返回步骤S2；

S7：利用所述乘客评价模型优化所述自动驾驶车辆的决策模型和约束规则，并将所述自动驾驶车辆的决策模型和约束规则发送至所述自动驾驶车辆。

2.根据权利要求1所述的自动驾驶数据处理方法，其特征在于，所述当前交通环境包括当前路段交通环境以及当前路口交通环境，所述步骤S1包括：S11：利用所述多元融合感知方法获取当前路段交通环境；

S12：利用所述多元融合感知方法获取当前路口交通环境；

S13：利用二维候选区域对所述当前路段交通环境和所述当前路口交通环境进行多元传感器信息融合，得到所述当前交通环境。

3.根据权利要求2所述的自动驾驶数据处理方法，其特征在于，所述步骤S11包括：S111：获取当前路段交通环境图像信息；

S112：采用无锚点目标检测与识别方法获取所述当前交通环境图像信息中的目标关键点；

S113：利用所述目标关键点预测所述当前交通环境图像信息的包围框尺寸；

S114：根据所述当前交通环境图像信息的包围框尺寸以及所述目标关键点，得到所述当前路段交通环境。

4.根据权利要求3所述的自动驾驶数据处理方法，其特征在于，所述步骤S112中，所述无锚点目标检测与识别方法包括：A1：利用全卷积神经网络提取所述当前路段交通环境图像信息中不同尺度间的特征；

A2：利用高维卷积提取挖掘不同尺度间的特征的相互作用；

A3：根据所述相互作用，对不同尺度间的特征进行融合，得到融合后的图像信息；

A4：根据所述融合后的图像信息，利用关键点检测和逻辑回归损失模型，得到所述当前交通环境图像信息中的目标关键点。

5.根据权利要求4所述的自动驾驶数据处理方法，其特征在于，所述步骤A2中，所述高维卷积结构为：l+1 l l‑1

y＝upsample(w1*x )+w0*x+w‑1*s2x其中，y为卷积运算后的结果；upsample()为上采样操作，将低分辨率图像拓展为高分l+1 l辨率图像；w1为卷积核1中元素的值；x 为分辨率第l+1层矩阵的值；x为分辨率第l层矩阵的值；w0为卷积核0中元素的值；w‑1为卷积核‑1中元素的值；s2为将高分辨率图像缩小为低l‑1分辨率图像的采样规则；x 为分辨率第l‑1层矩阵的值；*代表卷积操作；

所述步骤A4中，所述逻辑回归损失模型为：

其中，L为逻辑回归损失模型；a为回归参数；y为机器学习中的目标的标签；y′为关于y的预测值；γ为回归参数。

6.根据权利要求2所述的自动驾驶数据处理方法，其特征在于，所述步骤S12包括：S121：获取当前路口交通环境激光点云数据；

S122：采用稀疏卷积神经网络的多尺寸表征提取算法，对所述当前路口交通环境激光点云数据进行融合，得到融合数据；

S123：利用自适应权重调节机制分配所述融合数据的参数权重，得到处理后的融合数据；

S124：利用所述处理后的融合数据获取所述当前路口交通环境激光点云数据的关键信息。

7.根据权利要求1所述的自动驾驶数据处理方法，其特征在于，所述步骤S2包括：对所述交通参与者进行姿态意图预测；和/或

对所述交通参与者进行轨迹预测。

8.根据权利要求7所述的自动驾驶数据处理方法，其特征在于，所述对所述交通参与者进行姿态意图预测包括：获取各交通参与者的关键点和关键点之间的亲和力场编码图；

通过所述亲和力场编码图对所述关键点进行连接，得到各所述交通参与者的姿态估计拟合特征；

根据所述姿态估计拟合特征，分别对所述当前交通环境中的所有交通参与者进行模式匹配，得到匹配结果；

利用所述匹配结果对所述交通参与者进行姿态意图预测；

所述对所述交通参与者进行轨迹预测包括：

根据所述交通参与者的位置坐标以及行人各向异性数据，构建行人轨迹预测模型；以及根据所述交通参与者的位置坐标、所述行人各向异性数据和所述交通参与者编码信息，构建序列到序列神经网络模型；其中，所述交通参与者编码信息是通过当前交通环境的图像数据生成的卷积神经网络得到的；

根据所述行人轨迹预测模型，得到第一行人轨迹预测结果；以及，根据所述序列到序列神经网络模型，得到第二行人轨迹预测结果；

根据所述第一行人预测结果和所述第二行人轨迹预测结果，构建堆栈泛化模型；

根据所述堆栈泛化模型，得到所述交通参与者的轨迹预测结果。

9.根据权利要求1所述的自动驾驶数据处理方法，其特征在于，所述步骤S3包括：S31：根据所述当前交通环境，构建自动驾驶车辆的物理约束条件；

S32：根据典型极端交通场景，建立基于微观运动学和动力学的物理模型；

S33：根据所述物理模型和所述物理约束条件，建立对应的碰撞危险表达式；

S34：根据所述碰撞危险表达式，构建所述自动驾驶车辆周边安全数据场；

S35：根据所述交通参与者的轨迹预测，得到自动驾驶车辆周边安全数据场的变化趋势；

S36：利用所述变化趋势，生成所述自动驾驶车辆的路径规划策略。

10.一种自动驾驶交通系统，其特征在于，所述自动驾驶交通系统应用根据权利要求1‑

9中任意一项所述的自动驾驶数据处理方法，所述自动驾驶交通系统还包括：多个感知模块：多个所述感知模块用于感知当前交通环境中的多个单一特征；

融合模块，所述融合模块用于对多个所述单一特征进行融合，以构成完整的所述当前交通环境；

识别模块，所述识别模块用于对所述当前交通环境中的交通参与者进行识别，并生成所述交通参与者的行动轨迹；

处理模块，所述处理模块用于对所述行动轨迹进行处理，并依据所述行动轨迹进行行动轨迹预测，生成预测结果；根据所述当前交通环境以及所述预测结果，构建当前交通环境下的自动驾驶车辆的决策模型和约束规则；确定所述自动驾驶车辆决策模型的包络区间；

利用数据驱动方法，确定所述包络区间的乘客评价模型；判断所述乘客评价模型是否为目标乘客评价模型；以及利用所述乘客评价模型优化所述自动驾驶车辆的决策模型和约束规则，并将所述自动驾驶车辆的决策模型和约束规则发送至所述自动驾驶车辆。