1.一种无人驾驶车辆与周边车辆的碰撞可能性预判方法，其特征在于，包括下述步骤：
步骤1：获取无人驾驶车辆在行驶过程中的轨迹数据和环境数据：实时获取目标车辆A的轨迹数据集为P＝{P1,P2,...,Pi,...,PI}、环境数据集为E＝{E1,E2,...,Ei,...,EI}；其中，所述目标车辆A为无人驾驶车辆A*的相邻车道中距离无人驾驶车辆A*最近的前方车辆；
Pi为目标车辆A在第i个时间点的轨迹数据，相邻两个时间点的时间间隔为ds，I为轨迹中时间点总数，轨迹数据Pi包括4个轨迹特征，4个轨迹特征分别为横向位置xi、纵向位置yi、速度vi、加速度ai；Ei为目标车辆A在第i个时间点的环境数据，环境数据Ei包括6个环境特征，6个* *
环境特征分别为目标车辆A与目标车辆A的前方车辆、无人驾驶车辆A 、无人驾驶车辆A的前方车辆的相对纵向距离、相对纵向速度；
步骤2：构造LSTM数据集；
步骤2.1：对轨迹数据进行特征值添加，添加的特征值包括目标车辆A在第i个时间点的横向速度 纵向速度 横向加速度 纵向加速度
航向角 得到特征值添加后第i个时间点的轨迹数据
为Pi'＝(xi,yi,vi,ai,vix,viy,aix,aiy,Anglei)；
步骤2.2：基于最大最小值归一化方法，对特征值添加后的轨迹数据中的每个轨迹特征进行标准化处理，将特征值映射到[0,1]区间；
步骤2.3：将轨迹中车头经过车道线处的点作为变道点，提取标准化处理后的轨迹数据中每个变道点前4s的轨迹数据作为变道轨迹数据、除变道轨迹数据之外的轨迹数据作为直行轨迹数据，并对变道轨迹数据和直行轨迹数据分别进行类别标注；其中，直行轨迹数据、左变道的变道轨迹数据、右变道的变道轨迹数据的类别标签分别为0、1、2；
步骤2.4：从变道轨迹数据和直行轨迹数据中均随机提取长度为dk的时间段内的数据，构成第kLSTM数据集为Ak＝{Ak1,Ak2,...,Akn,...,AkN}；其中，k＝1,2，d1对应的时间点总数，Nk＝dk/d；Aknj＝{Aknj1,Aknj2,...,Aknjm,...,AknjM}，Aknjm为第kLSTM数据集中第n个时间段内第j个时间点处第m个轨迹特征的标准化处理后的值，m∈{1,2,...,M}，M为轨迹特征总数，M＝9，ckn为第kLSTM数据集中第n个时间段内的标准化处理后的轨迹数据的类别标签；
步骤3：构造Adaboost数据集；
步骤3.1：对环境数据进行数据清洗：对环境数据中缺失的数据利用高斯分布进行拟合，对环境数据中产生跳变的数据进行删除；
步骤3.2：提取数据清洗后的环境数据中每个变道点前4s的环境数据作为变道环境数据、除变道环境数据之外的环境数据作为直行环境数据，并对变道环境数据和直行环境数据分别进行类别标注，得到Adaboost数据集为B＝{(B1,c1),(B2,c2),...,(Bl,cl),...,(BL,cL)}；其中，Bl为RF数据集中第l个时间点处的环境数据，cl为环境数据Bl的类别标签，直行环境数据、变道环境数据的类别标签分别为0、1；
步骤4：构建周边车辆行为预判的第kAttention-LSTM深度神经网络模型；
步骤4.1：以第t个时间点前长度为dk的时间段内的标准化处理后的轨迹数据int为输入、轨迹数据int的类别标签ht为输出，构建周边车辆行为预判的第kLSTM深度神经网络模型；
步骤4.2：在第kLSTM深度神经网络模型后加入self-attention机制，得到加入self-attention机制的第kLSTM深度神经网络模型；
步骤4.3：将加入self-attention机制的第kLSTM深度神经网络模型依次接入全连接层、softmax分类器，得到第kAttention-LSTM深度神经网络模型，利用第kLSTM数据集对第kAttention-LSTM深度神经网络模型进行训练；
步骤5：以第l个时间点处的环境数据Bl为输入、类别标签cl为输出，利用数据集B构建周边车辆行为预判的Adaboost机器学习模型；
步骤6：结合Adaboost机器学习模型和第1、2Attention-LSTM深度神经网络模型，对目标车辆进行行为预判；
步骤6.1：实时采集目标车辆的轨迹数据和环境数据，并采用步骤2.1、步骤2.2中相同的方法对实时采集的轨迹数据进行特征值添加、标准化处理，采用步骤3.1中相同的方法对实时采集的环境数据进行数据清洗；
步骤6.2：将当前时刻的数据清洗后的环境数据输入Adaboost机器学习模型，输出当前时刻环境数据的类别标签，若类别标签为1，则目标车辆可能进行变道，进入步骤6.3；若类别标签为0，则目标车辆可能进行直行，进入步骤6.4；
步骤6.3：将当前时刻前长度为d1的时间段内的标准化处理后的轨迹数据输入第
1Attention-LSTM深度神经网络模型，输出当前时刻轨迹数据的类别标签，若类别标签为0，则目标车辆直行；若类别标签为1，则目标车辆进行左变道，进入步骤7；若类别标签为2，则目标车辆进行右变道，进入步骤7；
步骤6.4：将当前时刻前长度为d2的时间段内的标准化处理后的轨迹数据输入第
2Attention-LSTM深度神经网络模型，输出当前时刻轨迹数据的类别标签，若类别标签为0，则目标车辆直行；若类别标签为1，则目标车辆进行左变道，进入步骤7；若类别标签为2，则目标车辆进行右变道，进入步骤7；
步骤7：进行无人驾驶车辆的避撞决策：
步骤7.1：进行变道时间预测：选取当前时刻对应的点作为变道开始点，以目标车辆在变道点的速度、横向速度、横向位移、航向角的tan值为输入、变道时间为输出，构建基于BP神经网络的变道时间预测模型；步骤2.3中的变道轨迹数据和每次变道对应的变道时间构成训练集，利用训练集中每次变道时目标车辆在变道点的速度、横向速度、横向位移、航向角的tan值和变道时间训练变道时间预测模型；将目标车辆在变道开始点的速度、横向速度、横向位移、航向角的tan值输入训练后的变道时间预测模型，输出目标车辆的变道时间估计值 目标车辆A的变道时间为目标车辆A从变道点到达无人驾驶车辆A*所在车道的中心线的时间；
步骤7.2：计算两车之间的变道过程阈值时间为
其中，trea为驾驶员反应时间，λ为预测修正系数，λ>1，S为公路两车距离阈值，vr0为变道开始点处目标车辆A与无人驾驶车辆A*之间的相对纵向速度；
步骤7.3：计算变道开始点后第t个时间点目标车辆A与无人驾驶车辆A*之间的可能碰撞时间为
其中，t≥0，变道开始点后第0个时间点为变道开始点；art、vrt、yrt分别为变道开始点后第t个时间点目标车辆A与无人驾驶车辆A*之间的相对纵向加速度、相对纵向速度、相对纵向距离， aAt、 分别为变道开始点后第t个
时间点目标车辆A、无人驾驶车辆A*的纵向加速度，vAt、 分别为变道开始点后第t个时间点目标车辆A、无人驾驶车辆A*的纵向速度，yAt、 分别为变道开始点后第t个时间点目标车辆A、无人驾驶车辆A*的纵向位置；
* *
步骤7.4：若TTCt＞T ，则目标车辆A与无人驾驶车辆A 在变道开始点后第t个时间点不会发生碰撞，第t个时间点的碰撞概率Pt＝0；若0＜TTCt＜T*，则目标车辆A与无人驾驶车辆A*在变道开始点后第t个时间点可能发生碰撞，第t个时间点的碰撞概率
步骤7.5：若碰撞概率Pt＜β，则无人驾驶车辆A*在变道开始点后第t个时间点处于安全状态；若碰撞概率Pt＞β，则无人驾驶车辆A*在变道开始点后第t个时间点处于可能与目标车辆A碰撞的危险驾驶状态，统计从第t个时间点开始持续处于危险驾驶状态的时间tdur，当tdur≥tdur*时无人驾驶车辆A*采取减速制动措施，若从第t个时间点开始到下一个安全状态*
的时间小于tdur ，则将从第t个时间点开始到下一个安全状态的时间内的碰撞概率置为0；
其中，β为碰撞概率阈值，tdur*为危险驾驶状态持续时间阈值，tdur*＝|γTTC0|，γ为时间长度参数。
2.根据权利要求1所述的无人驾驶车辆与周边车辆的碰撞可能性预判方法，其特征在于，所述步骤4.1包括下述步骤：
步骤4.1.1：构建LSTM单元：
构建遗忘门模型为
ft＝σ(Wf[ht-1,int]+bf)
其中，ft为遗忘门的输出，ht-1为上一时刻LSTM单元的输出，Wf为遗忘门的权重，bf为遗忘门的偏置；
构建输入门模型为
it＝σ(Wi[ht-1,int]+bi)
其中，it为输入门的输出，Wi为输入门的权重，bi为输入门的偏置；
构建候选门模型为
其中， 为候选向量，WC为候选门的权重，bC为候选门的偏置；
构建记忆单元函数为
构建输出门模型为
ot＝σ(Wo[ht-1,int]+bo)
其中，ot为输出门的输出，Wo为输出门的权重，bo为输出门的偏置；
利用tanh激活函数控制记忆单元，LSTM单元的输出为
步骤4.1.2：构建4层LSTM网络，形成第kLSTM深度神经网络模型。
3.根据权利要求1所述的无人驾驶车辆与周边车辆的碰撞可能性预判方法，其特征在于，所述步骤4.2包括下述步骤：
步骤4.2.1：计算第t个时间点及之前所有时间点的隐藏状态得分为
et＝WTht
其中，WT＝(h1,h2,...,ht,...,hNT)T，t∈{1,2,...,NT}，NT为时间点总数；
步骤4.2.2：利用softmax函数，对et进行归一化，得到第t个时间点的隐藏状态对第s个时间点的隐藏状态分配的注意力值为
其中，ets为et中的第s个元素，s∈{1,2,...,NT}；
步骤4.2.3：计算self-attention机制下第t个时间点的输出为
4.根据权利要求1所述的无人驾驶车辆与周边车辆的碰撞可能性预判方法，其特征在于，所述步骤4.2包括下述步骤：
步骤4.2.1：计算第t个时间点及之前所有时间点的隐藏状态得分为
T
et＝tanh(Wht+b)
其中，WT＝(h1,h2,...,ht,...,hNT)T，t∈{1,2,...,NT}，NT为时间点总数，b为偏置；
步骤4.2.2：利用softmax函数，对et进行归一化，得到第t个时间点的隐藏状态对第s个时间点的隐藏状态分配的注意力值为
其中，ets为et中的第s个元素，s∈{1,2,...,NT}；
步骤4.2.3：计算self-attention机制下第t个时间点的输出为
5.根据权利要求2至4中任一项所述的无人驾驶车辆与周边车辆的碰撞可能性预判方法，其特征在于，所述步骤4中，4层LSTM网络的神经元个数分别为32、64、128、256，softmax分类器的损失函数为分类交叉熵损失函数，对第kAttention-LSTM深度神经网络模型进行训练采用的优化器为Adam优化器。
6.根据权利要求1所述的无人驾驶车辆与周边车辆的碰撞可能性预判方法，其特征在于，所述步骤5包括下述步骤：
步骤5.1：将Adaboost数据集B＝{(B1,c1),(B2,c2),...,(Bl,cl),...,(BL,cL)}作为训练样本集，(Bl,cl)为第l个训练样本；
步骤5.2：初始化迭代次数K＝1，设置最大迭代次数为Kmax，初始化训练样本集B的权值分布为WK＝(wK1,wK2,...,wKl,...,wKL)；其中，wKl为第K次迭代中第l个训练样本的权值，步骤5.3：以第l个时间点处的环境数据Bl为输入、类别标签cl为输出，使用具有权值分布WK的训练样本集B进行学习，得到第K个弱分类器GK(x)；其中，x为输入弱分类器的环境数据；
步骤5.4：计算GK(x)在训练样本集B上的分类误差率为
其中，I()为判断函数，若GK(Bl)≠cl为真则I(GK(Bl)≠cl)＝1，若GK(Bl)≠cl为假则I(GK(Bl)≠cl)＝0；
步骤5.5：计算GK(x)在强分类器中所占的权重为
步骤5.6：更新训练样本集B的权值分布为WK+1＝(wK+1,1,wK+1,2,...,wK+1,l,...,wK+1,L)；其中， αK为预设的参数，ZK为归一化因子，
步骤5.7：若K＜Kmax，则令K＝K+1，返回步骤5.3；若K≥Kmax，则得到强分类器为*
其中，sign ()为符号函数， 时
时，