1.一种基于数据和知识双驱动的自动驾驶车辆换道决策方法，其特征在于，包括以下步骤：S1、选用一辆搭载激光雷达、摄像头、毫米波雷达的换道车辆进行数据采集，激光雷达用来采集周边车辆的距离、位置、角度和航向角，毫米波雷达用来采集换道车辆的速度和加速度，摄像头用来采集前方车辆的图像；

S2、根据S1获得的数据，得到换道车辆与周边车辆之间的距离，换道车辆的速度、横向加速度和纵向加速度，周边车辆的速度和加速度；

S3、根据激光雷达的id以及摄像头采集的图像进行联合标定，将换道车辆的轨迹信息提取出来，对提取的换道车辆轨迹通过对称指数移动平均法进行平滑处理，通过换道车辆的车辆行为记录模块对车辆行为倾向进行筛选分类，分为左换道、右换道、车道保持、减速四个行为倾向，形成训练数据集；

S4、基于Transformer构建车辆行为倾向识别模型，使用训练数据集对该模型进行学习训练，采用特异度、真正率、假正率对准确率四个指标灵敏度进行评价，对训练好的模型使用随机收缩的方法进行参数优化，使用优化好的车辆行为倾向识别模型对车辆的自动驾驶行为倾向进行实时判断；若行为倾向为左换道或右换道，则执行S5；

S5、构建最小安全距离模型，使用该模型对换道行为进行安全性判别，如果满足安全距离，将执行换道决策，如果不满足安全距离，将执行车道保持或者减速决策。

2.根据权利要求1所述的一种基于数据和知识双驱动的自动驾驶车辆换道决策方法，其特征在于，在S3中，对数指数移动平均法的表达式为：；

；

；

其中， 为换道车辆 在 时刻的原始值， 为换道车辆 在 时刻的拟合值，为考虑边界数据平滑窗口， 为平滑宽度， 为移动平均幅度， 数据时间间隔， 为车辆 出现的帧数， 根据拟合参数不同，取值不同，当x为位置数据时 =0.5s，当x为车速数据时 =1s。

3.根据权利要求1所述的一种基于数据和知识双驱动的自动驾驶车辆换道决策方法，其特征在于，在S4中，所述车辆行为倾向识别模型包括输入单元、编码器、解码器和输出单元，所述输入单元包括位置编码层，编码器依次由多头注意力层、残差连接和归一化层、前馈神经网络层和残差连接和归一化层构成；

该模型的输入序列为X，X=( batch size,pad size,d model )，batch size为一次输入的换道车辆数量，pad size为轨迹点的数量，d model为轨迹点的特征参数数量，X的表达式为：；

；

；

其中，N为换道车辆的数量， 为第i个换道车辆n个轨迹点的特征，i∈（1，N）， 为第j个轨迹点的特征，j∈（1，n），n为轨迹点的数量； 为换道车辆速度， 为换道车辆加速度，为当前车道前方车辆速度， 为当前车道前方车辆加速度， 为换道车辆与前方车辆的纵向相对距离， 为换道车辆与前方车辆的横向相对距离， 为目标车道前车车辆速度， 为目标车道前车车辆加速度， 为换道车辆与目标前方车辆的纵向相对距离，为换道车辆与左前方车辆的横向相对距离， 为目标车道后车车辆速度， 为目标车道后车车辆加速度， 为换道车辆与左后方车辆的纵向相对距离， 为换道车辆与左后方车辆的横向相对距离；

将输入序列X在输入单元进行相对位置编码，公式为：；

；

其中，pos为数据在序列中的位置索引，PE为二维张量，dmodel为数据的特征数量，为数据的特征位置；

在编码器中，首先通过多头注意力层，将经过位置编码的输入序列X线性投影到三个不同的空间，分别得到一组查询向量qi、一组键向量ki和一组值向量vi，经过不同的权重矩阵分别计算得到查询矩阵Q、键矩阵K和值矩阵V，其表达式为：；

；

；

其中， 为查询矩阵Q的权重矩阵， 为键矩阵K的权重矩阵， 为值矩阵V的权重矩阵；

对Q和K通过缩放点积注意力评分函数算出权重 ，公式为：；

其中，T表示转置， 为输入矩阵 的特征维度；

使用softmax函数对所有权重归一化，将权重和相应的Q、V进行加权求和，得到注意力值 ，公式为：；

使用多头注意力机制建立多个子空间，首先将Q、K、V经过线性变换后，并行执行m次的缩放点积注意力机制，然后，将m次的缩放点积注意结果加以连接，经过线性变换，转换为预期的维度，得到多头注意力最终值，公式为：；

；

其中， 、 、 分别是第s个多头注意力头的查询、键、值矩阵的权重矩阵， 是输出的权重矩阵， 为第s个多头注意力头的输出值， ，m为多头注意力头的数量，为多头注意力最终值；

将多头注意力最终值 输入到残差连接和归一化层，改善梯度消失问题，得到X’，其表达式为：

；

将 输入到前馈神经网络层中，得到 ，前馈神经网络层由两个线性变化和线性激活函数构成，线性激活函数采用Relu激活函数，其表达式为：；

其中， 为第 层隐藏层的权重矩阵，为第 层隐藏层的偏置向量， 为第2层隐藏层的权重矩阵， 为第2层隐藏层的偏置向量；

将 输入到残差连接和归一化层，得到 ，其表达式为：；

将 输入到解码器中多头注意力层，经解码器输出的数据，在输出单元中先经过一次线性变换，然后通过Softmax操作得到输出结果。

4.根据权利要求1所述的一种基于数据和知识双驱动的自动驾驶车辆换道决策方法，其特征在于，在S5中，构建最小安全距离模型，设M为换道车辆、M1为换道车辆当前车道前方车辆、M2为换道车辆目标车道前方车辆、M3为换道车辆目标车辆后方车辆、M4为换道车辆当前车道后方车辆；

M车与M1车不发生碰撞的条件为:

；

；

其中， 为t时刻M1车重心位置横坐标； 为t时刻M车重心位置横坐标；

为t时刻M1车重心位置纵坐标， 为t时刻M车重心位置纵坐标， 为M车的重心位置距车辆前端的距离； 为M车的宽度； 为M1车重心位置距车辆后端的距离； 为M1车的宽度；θ(t)为t时刻M车的轨迹切线方向与车道线方向的夹角；

令 ，其中， 为t时刻

时M车与M1车的车辆间距，t1为换道车辆M开始施加横向加速的时间，t2为换道车辆到达碰撞点的时间；则在 时，只要保证 ，则保证在换道时M车和M1两车不会发生碰撞，同样表示为：；

式中： ， 为初始时刻M车与M1车的车辆间距，为初始时刻M1车重心位置横坐标， 为初始时刻M车重心位置横坐标； 为M车初始时刻的速度， 为M1车初始时刻的速度； 为M车在t时刻的加速度，为M1车在t时刻的加速度；换道初始距离 的最小值即要求换道时换道车辆M车与同车道前方车辆M1车不发生任何碰撞的最小安全距离 表示为：；

换道车辆M车与目标车道前方车辆M2车不发生任何碰撞的最小安全距离表示为：

；

s.t.  ；

其中， 为M2车在t时刻的加速度， 为M2车初始时刻的速度，为换道车辆完成换道行为的时间， 为M2车重心位置纵坐标， 为M2车的宽度；

换道车辆M车与目标车道前方车辆M3车不发生任何碰撞的最小安全距离表示为：

；

s.t.  ；

其中， 为M3车在t时刻的加速度， 为M3车初始时刻速度， 为M车中心位置距车辆后端的距离， 为t时刻M3重心位置纵坐标， 为M3车的宽度。