1.一种面向自动驾驶的车辆驾驶意图识别与轨迹预测方法，其特征在于，包括以下步骤：S1，构建动态阈值滑动采样窗口，并根据路况复杂度动态调整其窗口长度；提取动态阈值滑动采样窗口内交互车辆的横向位移变化量，输出交互车辆的驾驶意图；

S2，基于所述交互车辆的驾驶意图，构建双模态自适应图注意力网络，设置所述双模态自适应图注意力网络的底层物理交互图和上层语义交互图，融合物理交互图和语义交互图，输出最终节点和交互车辆的运动特征向量；其中，I，通过下述表达式构建物理交互图的时空图结构：，

式中， 为物理交互图的整体表示； 为物理交互图的节点集合； 为物理交互图的边集合；

通过下述表达式计算物理交互图的综合边权重：，

式中， 为物理交互图中节点 与节点 之间的综合边权重； 为时空距离衰减；

为相对运动影响；为Sigmoid函数； 为节点 的节点特征向量； 为节点 的节点特征向量； 为用于计算节点间关联性的可学习权重矩阵； 为用于计算节点间关联性的偏置项；

通过下述表达式计算时空距离衰减：，

式中， 为时空距离衰减； 为交互车辆 的位置坐标； 为交互车辆 的位置坐标；

为交互车辆 的观测时间戳；为交互车辆 的观测时间戳； 为时空距离衰减系数的超参数； 为时空距离计算中空间权重占比的超参数；

通过下述表达式计算相对运动影响：，

式中， 为相对运动影响； 为交互车辆 的三维速度向量； 为交互车辆 的三维速度向量；为相对运动影响的衰减系数超参数；

，通过下述表达式构建语义交互图结构：，

式中： 为语义交互图的整体表示； 为语义交互图的节点集合； 为语义交互图的边集合；

通过下述表达式计算语义交互图的综合边权重：，

式中， 为综合边权重； 为意图相似度； 为意图影响度； 为交互车辆 的位置坐标； 为交互车辆 的位置坐标； 为交互车辆 的观测时间戳； 为交互车辆 的观测时间戳；为空间距离对意图交互的衰减系数超参数；

意图相似度 通过下述表达式计算：，

意图影响度 通过下述表达式计算：，

式中：为Sigmoid函数； 为交互车辆 的驾驶意图特征向量； 为交互车辆 的驾驶意图特征向量； 为计算意图影响度的可学习权重矩阵； 为计算意图影响度的偏置项；

S3，对最终节点进行驾驶意图概率分布计算，输出交互车辆驾驶意图特征的概率分布；

S4，基于交互车辆的运动特征向量和交互车辆驾驶意图的概率分布，构建长周期注意力编码器，捕捉目标车辆的全局趋势特征；构建门控局部特征提取模块，识别周围车辆关键帧突变行为，捕捉周围车辆的运动变化；输出时空交互特征；

S5，构建意图特征融合机制，将交互车辆的运动特征向量、交互车辆驾驶意图特征和时空交互特征进行整合，预测交互车辆的未来轨迹。

2.根据权利要求1所述的一种面向自动驾驶的车辆驾驶意图识别与轨迹预测方法，其特征在于，，通过下述公式计算路况复杂度：

，

式中，为路况复杂度指标； 为交互车辆的横向加速度标准差；为车道曲率；为交互车辆密度； 、 、 分别为 、、对应的经验权重系数；

，通过下述规则设置动态阈值滑动采样窗口的窗口长度 ：设定 为复杂路况， ；设定 为中等复杂路况，；设定 为简单路况， ；其中， 为基础窗口长度；

，通过公式 计算交互车辆的横向位移变化量，并设置下述条件输出交互车辆的驾驶意图：

当 米且目标车辆的纵向加速度 ，输出交互车辆的驾驶意图为保持直行；当 米且变道方向角 ，输出交互车辆的驾驶意图为左变道；当米且变道方向角 ，输出交互车辆的驾驶意图为右变道；

式中， 为交互车辆的横向位移变化量； 为动态阈值滑动采样窗口内第 帧的横向位置坐标； 为动态阈值滑动采样窗口内第一帧的横向位置坐标。

3.根据权利要求1所述的一种面向自动驾驶的车辆驾驶意图识别与轨迹预测方法，其特征在于，通过下述步骤输出交互车辆的运动特征向量：，通过下述表达式融合物理交互图和语义交互图：，

式中， 为物理交互图与语义交互图的融合门控系数； 为门控机制的可学习权重矩阵；为Sigmoid激活函数； 为物理交互图中节点 的特征表示； 为语义交互图中节点的特征表示； 为门控机制的可学习偏置项；为时间衰减系数；

，将历史轨迹序列输入双向GRU，输出交互车辆驾驶意图特征向量，通过下述表达式计算节点间的语义关联：，

式中， 为节点间的语义关联； 为注意力机制中查询的可学习权重矩阵； 为注意力机制中键的可学习权重矩阵； 为交互车辆 的驾驶意图特征向量； 为交互车辆 的驾驶意图特征向量； 为交互车辆 的驾驶意图特征向量；为节点 的邻居节点索引； 为节点 的邻居集合；

，通过下述表达式输出交互车辆的运动特征向量：，

式中， 为交互车辆的运动特征向量； 为物理交互图与语义交互图的融合门控系数；

为物理交互图中节点 的特征表示； 为语义交互图中节点 的特征表示； 为时间衰减系数；

其中，双模态计算最终节点的表达式如下：，

式中， 为图注意力网络第 层中节点 的特征表示； 为图注意力网络结构；

为图注意力网络第 层中节点 的特征表示； 为图注意力网络第 层中节点 的特征表示；

为节点间的语义关联。

4.根据权利要求1所述的一种面向自动驾驶的车辆驾驶意图识别与轨迹预测方法，其特征在于，通过下述表达式对最终节点进行多层非线性变换：，

式中， 为多层感知机第一层的输出特征向量； 为多层感知机第二层的输出特征向量； 、 ，N为意图类别数； 为经维度变换后的综合特征向量； 为多层感知机第二层的偏置项； 为多层感知机第三层的偏置项；

通过下述表达式输出驾驶意图特征：，

式中，为驾驶意图特征； 为多层感知机第二层的输出特征向量； 为多层感知机第二层的输出特征向量中第 个元素；为意图类别索引； 为意图类别总数。

5.根据权利要求1所述的一种面向自动驾驶的车辆驾驶意图识别与轨迹预测方法，其特征在于，通过下述步骤构建目标车辆的长周期注意力编码器：，输入目标车辆的历史轨迹序列 ，为时间步长， 为特征维度，通过下述表达式计算注意力权重：

，

式中， ， 分别为注意力机制的查询、键、值矩阵， 为用于生成查询矩阵的可学习权重， 为目标车辆在第t帧的特征向量； 为键向量维度；为时间步长；

，通过下述表达式输出目标车辆的全局趋势特征：，

式中， 为全局趋势特征； 为层归一化； 为正则化； 为多头自注意力。

6.根据权利要求5所述的一种面向自动驾驶的车辆驾驶意图识别与轨迹预测方法，其特征在于，通过下述步骤构建门控局部特征提取模块：，输入周围车辆轨迹 ，为时间步长， 为特征维度，通过下述表达式提取局部时序特征：，

式中， 为一维因果卷积的输出特征， 为周围车辆的轨迹特征序列；

，通过下述表达式计算突变时刻的特征响应：，

式中， 为第t帧的门控权重；为Sigmoid函数； 为门控机制的可学习权重矩阵；

为一维因果卷积的输出特征； 为相邻帧差分特征； 为门控机制的可学习偏置项；

，通过下述表达式输出周围车辆的局部突变特征：，

式中， 为周围车辆的局部突变特征向量； 为第t帧的门控权重； 为一维因果卷积的输出特征；

将目标车辆的全局趋势特征与周围车辆的局部突变特征进行自适应融合并输出时空交互特征，表达式为：，

式中，MLP用于协调不同模态的特征尺度，确保时空一致性； 为时空交互特征；

为周围车辆的局部突变特征向量； 为全局趋势特征。

7.根据权利要求1所述的一种面向自动驾驶的车辆驾驶意图识别与轨迹预测方法，其特征在于，构建门控融合模块动态调整多模态特征的贡献权重，其中，特征重要性权重通过下述表达式计算：，

式中， 分别代表运动、交互和意图特征的权重； 为用于计算特征重要性权重的可学习矩阵； 为时空交互特征； 为交互车辆的运动特征向量；为驾驶意图特征；

加权特征融合通过下述表达式计算：，

式中， 为加权特征融合； 为运动特征的权重； 为交互特征的权重； 为意图特征的权重； 为时空交互特征； 为交互车辆的运动特征向量；为驾驶意图特征。

8.根据权利要求7所述的一种面向自动驾驶的车辆驾驶意图识别与轨迹预测方法，其特征在于，通过下述表达式进行交互车辆多模态轨迹预测分布：，

式中， 为给定输入特征X时未来轨迹Y的概率分布； 为意图类别 的混合系数；

为高斯分布的均值和协方差；

从预测分布中采样多条可能的预测轨迹，作为最终输出，表达式如下：，

式中， 为多模态轨迹预测的输出集合； 为预测的M条可能轨迹；

为给定输入特征X时未来轨迹Y的概率分布。

9.根据权利要求8所述的一种面向自动驾驶的车辆驾驶意图识别与轨迹预测方法，其特征在于，通过下述表达式优化交互车辆轨迹预测误差与意图分类损失，输出交互车辆多模态轨迹：，

式中， 为轨迹预测与意图分类的联合损失； 为负对数似然损失； 为交叉熵损失； 、 为平衡超参数； 为真实轨迹标签； 为多模态轨迹预测的输出集合；为真实意图标签；为预测的意图标签。