1.一种自动驾驶车辆的个性化行车的方法，其特征在于，包括如下步骤：
步骤一、获取一辆自动驾驶车辆的一个个性化行车数据数据库，所述数据库包括一个场景与用户对策对数据集和一个用户背景及行为特征数据集；其中，所述一个场景与用户对策对数据集和一个用户背景及行为特征数据集包含至少一位用户的个性化行车数据；
步骤二、在所述一辆自动驾驶车辆载客行车前，确认乘坐所述一辆自动驾驶车辆的一位乘客为当前用户，所述当前用户在所述步骤一所获取的所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集和一个用户背景及行为特征数据集中对应于所述当前用户的表项中已经获取个性化行车的数据；
步骤三、应用所述当前用户在所述数据库中的个性化行车的数据，辅助操纵所述一辆自动驾驶车辆的行车。
2.如权利要求1所述的方法，其特征在于，所述步骤一包括:
S1、获取一个训练集；包括设计一个训练集，或采用一个设计好的训练集；其中所述一个训练集的每一个场景和所有提供给用户选择的操纵行车的方案包括已经通过或能够通过模拟测试验证和/或行车验证，包括所述所有提供给用户选择的操纵行车的方案是能够实现的和合法的；
S2、基于步骤S1所获取的所述一个训练集，获取所述一个场景与用户对策对数据集的数据，包括: 确认一位用户，通过多媒体人机交互界面向所述一位用户逐一展示所述一个训练集中的场景，和在所述场景中可选的一个或多个行车操作方案，以及采用所述一个或多个行车操作方案中任一可选的行车操作方案可能发生的后果和用户需对所述后果可能承担的至少部分责任；征集所述一位用户对所述场景选择一个最佳的操作方案，并确认所述一位用户承诺愿意对所述操作方案可能产生的所述后果承担所述的至少部分责任；将所述场景和所述一位用户选择的所述一个最佳的操作方案组合成一个场景与用户对策对的数据；将每一个场景与用户对策对的数据，在所述一辆自动驾驶车辆被实际使用前输入至所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集对应于所述用户的选择表项中；或者接受已经获取的场景与用户对策对数据至所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集对应于所述用户的选择表项中；或者并用所述获取和接受并在所述一辆自动驾驶车辆被所述用户实际使用前核实或完善和/或更新所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集的数据；
S3、获取所述一位用户背景及行为特征数据集的数据，包括: 通过多媒体人机交互界面向所述一位用户采集和/或通过网络通讯系统、和/或电子媒体装置搜索用户资料库，采集所述一位用户个人背景数据；将所采集的数据储存于用户背景及行为特征数据集对应于所述一位用户表项的背景部分；根据行为模拟算法，以及统计和/或模拟数据对所获得的一个场景与用户对策对数据集对应于所述一位用户表项中的数据和/或所述一个用户背景及行为特征数据集对应于所述一位用户表项的背景部分的数据进行分析提取所述一位用户的行车习性和/或道德或文明特质的数据，并将所提取的所述一位用户的行车习性和/或道德或文明特质的数据，储存至所述一辆自动驾驶车辆的所述一个用户背景及行为特征数据集中对应于所述一位用户的表项的行为特征部分，或者接受已经获取的一个用户背景及行为特征数据集的数据至所述一辆自动驾驶车辆的所述一个用户背景及行为特征数据集中对应于所述一位用户的表项，或者并用所述采集、提取和接受，并在所述一辆自动驾驶车辆被所述一位用户实际使用前核实或完善和/或更新所述一个用户背景及行为特征数据集的数据。
3.如权利要求1所述的方法，其特征在于，所述步骤三包括: 所述一辆自动驾驶车辆在行车中在所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集对应于所述一位当前用户的表项中搜索与任一种当前行车场景匹配的匹配场景；
如搜索到与所述任一种当前行车场景匹配的匹配场景，则采用所述匹配场景的用户对策对的行车操纵方案来操纵行车，所述一位当前用户对所述操纵的后果至少负有部分责任；
如没有搜索到与所述任一种当前行车场景匹配的场景，所述一辆自动驾驶车辆的行车操纵系统基于所述任一种当前行车场景产生一个或多个行车操纵方案，再根据所述一位当前用户在所述一个用户背景及行为特征数据集对应表项中的数据，在所述多个行车操纵方案中估计所述一位当前用户选择概率最大的一个行车操纵方案，采用所述选择概率最大的一个行车操纵方案来操纵行车。
4.如权利要求1所述的方法，其特征在于：在自动驾驶车辆行车中获取，和/或更新，和/或扩充所述一个场景与用户对策对数据集，和/或所述一个用户背景及行为特征数据集中对应于一位当前用户在表项中的数据，其中包括:
机器人在行车中通过人机界面向所述一位当前用户通报疑难场景，提请所述一位当前用户指示在所述疑难场景中行车操纵方案，根据所述一位当前用户指示的所述行车操纵方案操纵所述车辆；对操纵所述车辆的效果进行评估，提取场景与对策对数据，征得所述一位当前用户同意后更新或扩充所述一个场景与用户对策对数据集对应于所述一位当前用户的表项中的数据；
和/或机器人在行车中将所述一位当前用户采用手动驾驶车辆的过程记录下来，对所述手动驾驶车辆的过程进行评估，从所述一位当前用户的所述手动驾驶过程提取用户对策以及用户的行为特征，更新或扩充所述一个用户背景及行为特征数据集对应于所述一位当前用户的表项；
和/或机器人在行车中通过多媒体人机界面和所述一位当前用户进行交流，和/或观察所述一位当前用户的面部表情，和/或肢体语言来判断所述一位当前用户对行车状况的满意度或不满意度，自动调节行车操纵使所述一位当前用户满意；并从所述交流、观察和自动调节的过程中提取、更新或扩充所述一个用户背景及行为特征数据集对应于所述一位当前用户的表项中的数据；
和/或机器人在行车中实时的通过无线通讯系统获取所述一位当前用户的背景及行为特征的更新数据，包含在发现所述一位当前用户碰巧是一个在逃的嫌犯，进行自动报警，并采取相应的措施协助警方抓获所述嫌犯；
和/或机器人通过传感器检测到所述一位当前用户为酒驾或在吸毒影响下行车时，或检测到所述一个背景及行为特征数据集中的数据显示所述一位当前用户无有效的传统机动车辆的驾驶执照，或所述一位当前用户的驾驶记录显示所述一位当前用户有近期频繁的严重违章行车记录时，限制所述一位当前用户使用所述一辆自动驾驶车辆的手动行车操纵权限。
5.如权利要求1所述的方法，其特征在于：包含在设计和生产过程中优化自动驾驶车辆的操纵系统，使所述操纵系统能实现快速读写取场景与用户对策对数据集和用户背景及行为特征数据集的数据，和快速准确的场景匹配，根据用户的对策和参照用户行为特征的行车操纵；采用用户定制生产一辆自动驾驶车辆，包括将定制方指定的一位用户作为一位当前用户，获取所述一位当前用户在一个场景与用户对策对数据集和一个用户背景及行为特征数据集中对应于所述一位当前用户的表项中的数据；将所述数据与所述一辆自动驾驶车辆进行整合优化，由机器人和/或专业技术人员对所述一辆自动驾驶车辆操纵进行针对性的调试和测试，使所述一辆自动驾驶车辆出厂时就已经完成了初始的用户个性化。
6.一种训练集的设计方法，适用于权利要求1-5、11任一项所述的方法，或权利要求7-
10任一项所述的系统,其特征在于，包括如下步骤：
C1、对传统的机动车辆历史行车场景数据和自动驾驶车辆的模拟数据和/或行车测试场景数据进行统计分析，将风险大的和/或出现概率高的，包含用户的道德或文明特质，和/或交通法规，和/或用户的行车安全，和/或其它分享行车道路的人、和/或车辆、和/或物体的利益有冲突的场景的数据，和/或包含行车操纵不确定性高的场景的数据分别赋予高的优先权重Wc11和Wc12；综合Wc11和Wc12，得出一个总体优先权重Wc1，按所述总体优先权重Wc1从高到低的次序优先将对应的场景的数据收入训练集的场景的数据中；依次降低所述总体优先权重，直至所述总体优先权重小于一个阈值Wc1t；
C2、对应于步骤C1所述场景集中任意一种特定的场景，对传统机动车辆行车统计数据和/或自动驾驶车辆模拟统计数据和/或行车测试数据进行分析，产生包含可行的、合法的一个或多个操纵行车方案的方案候选集，估计所述方案候选集中每一种方案的出现概率，将小于一个概率阈值Pc2的方案从所述方案候选集中剔除；
C3、对用户行车习性和/或道德或文明特质进行分类、编码量化和数据结构化，建立一个用户心理特质概率分布；将所述用户心理特质概率分布按相邻位置分割成多个概率区间，其中所述每一个概率区间对应于一个具有相近心理特质的用户心理群，所述用户心理群的总体构成一个用户心理群集,将小于一个概率阈值Pc3的所述用户心理群从用户心理群集中剔除；
C4、对应于所述用户心理群集中的一个用户心理群，根据传统机动车辆驾员心理特质和行车行为的相关统计数据和/或自动驾驶车辆用户心理特质和优选的行车行为模拟统计数据，估计在所述一种场景下对应于每一个用户心理群可能优选所述方案候选集中任一种方案的概率Pc23[i][j], 其中，i =（1， 2…, n）; j = （1， 2…, m）n 为所述步骤C2方案集中胜出的方案的总数，m为步骤C3胜出的用户心理群的总数；用Pc23[i][j]表示任一个用户心理群选择任一个操纵方案的概率，如果Pc23[i][j]大于一个阈值Pc23t，或者Pc23[i][j]大于一个和用户心理群相关的阈值Pc23t[j]，就将所述任一种方案作为在所述一种场景下可供用户选择来产生一种场景与用户对策对的一个选择方案收录进训练集，并同时将所述方案从胜出的方案候选集中剔除，以避免重复的计算；
C5、兼顾实际使用训练集效率、用户心理群覆盖面和用户心理群分割的精细度调整所述各个阈值；
C6、计算训练集中任一种场景的对应于任一个供用户选择的行车操作方案的伴随匹配区间向量，和伴随匹配区间向量集；
C7、调节步骤C1-C6中的各项阈值，并在对场景的数据分类、编码量化数据结构化的过程中，使任意两个场景的数据的向量间的欧几里德距离和/或各个分量坐标的坐标值间的距离足够大，以致任意一个代表当前场景的数据的向量只能最多和训练集的一种场景匹配，并产生一个合适长度的边界向量的各分量的坐标值的子区间；
C8、将匹配区间向量集编码压缩结构化后输入至所训练集对应于所述每一种场景的数据的和在所述每一种场景的数据中每一个给用户选择的行车操作方案的数据表项的匹配区间集的数据结构中。
7.一种自动驾驶车辆合法化行车的系统，其特征在于，包括:
第一模块，用于一辆自动驾驶车辆实现基于一种个性化行车的规范行车；
第二模块，用于对所述第一模块所述一辆自动驾驶车辆进行检测评估，判定所述一辆自动驾驶车辆是否具备提供合法载客服务的一种资质。
8.如权利要求7所述的系统，其特征在于，所述第一模块所述一种个性化行车的规范包括:
获取一个训练集；包括设计一个训练集，或采用一个设计好的训练集；其中所述一个训练集的每一个场景和所有提供给用户选择的操纵行车的方案包括已经通过或能够通过模拟测试验证和/或行车验证，包括所述所有提供给用户选择的操纵行车的方案是能够实现的和合法的；
基于所述一个训练集，获取所述一个场景与用户对策对数据集的数据，包括: 确认一位用户，通过多媒体人机交互界面向所述一位用户逐一展示所述一个训练集中的场景，和在所述场景中可选的一个或多个行车操作方案，以及采用所述一个或多个行车操作方案中任一可选的行车操作方案可能发生的后果和用户需对所述后果可能承担的至少部分责任；
征集所述一位用户对所述场景选择一个最佳的操作方案，并确认所述一位用户承诺愿意对所述操作方案可能产生的所述后果承担所述的至少部分责任；将所述场景和所述一位用户选择的所述一个最佳的操作方案组合成一个场景与用户对策对的数据；将每一个场景与用户对策对的数据，在所述一辆自动驾驶车辆被实际使用前输入至所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集对应于所述用户的选择表项中；或者接受已经获取的场景与用户对策对数据至所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集对应于所述用户的选择表项中；或者并用所述获取和接受并在所述一辆自动驾驶车辆被所述用户实际使用前核实或完善和/或更新所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集的数据；
获取所述一位用户背景及行为特征数据集的数据，包括: 通过多媒体人机交互界面向所述一位用户采集和/或通过网络通讯系统、和/或电子媒体装置搜索用户资料库，采集所述一位用户个人背景数据；将所采集的数据储存于用户背景及行为特征数据集对应于所述一位用户表项的背景部分；根据行为模拟算法，以及统计和/或模拟数据对所获得的一个场景与用户对策对数据集对应于所述一位用户表项中的数据和/或所述一个用户背景及行为特征数据集对应于所述一位用户表项的背景部分的数据进行分析提取所述一个用户的行车习性和/或道德或文明特质的数据，并将所提取的所述一位用户的行车习性和/或道德或文明特质的数据，储存至所述一辆自动驾驶车辆的所述一个用户背景及行为特征数据集中对应于所述一位用户的表项的行为特征部分，或者接受已经获取的一个用户背景及行为特征数据集的数据至所述一辆自动驾驶车辆的所述一个用户背景及行为特征数据集中对应于所述一位用户的表项，或者并用所述采集、提取和接受，并在所述一辆自动驾驶车辆被所述一位用户实际使用前核实或完善和/或更新所述一个用户背景及行为特征数据集的数据；
在所述一辆自动驾驶车辆载客行车前，确认乘坐所述一辆自动驾驶车辆的一位乘客为一位当前用户，所述一位当前用户在所述步骤一所获取的所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集和一个用户背景及行为特征数据集中对应于所述一位当前用户的表项中已经获取个性化行车的数据；
所述一辆自动驾驶车辆在行车中在所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集对应于所述一位当前用户的表项中搜索与任一种当前行车场景匹配的匹配场景；
如搜索到与所述任一种当前行车场景匹配的匹配场景，则采用所述匹配场景的用户对策对的行车操纵方案来操纵行车，所述一位当前用户对所述操纵的后果至少负有部分责任；
如没有搜索到与所述任一种当前行车场景匹配的场景，所述一辆自动驾驶车辆的行车操纵系统基于所述任一种当前行车场景产生一个或多个行车操纵方案，再根据所述一位当前用户在所述一个用户背景及行为特征数据集对应表项中的数据，在所述多个行车操纵方案中估计所述一位当前用户选择概率最大的一个行车操纵方案，采用所述选择概率最大的一个行车操纵方案来操纵行车。
9.如权利要求7-8任一项所述的系统，其特征在于，所述第二模块包括第一种实现和/或第二种实现，其中所述第一种实现包括:
第一测试，用于检测核实所述第一模块所述一个训练集的场景的覆盖范围足够大，以及检测核实所述一个训练集中每个场景中的所述多个行车操作方案的覆盖范围足够大，则所述一辆自动驾驶车辆通过所述第一测试;
第二测试，用于验证所述一辆自动驾驶车辆是否按照所述第一模块所述的基于一种个性化行车的规范行车;如所述一辆自动驾驶车辆按照所述第一模块所述的基于一种个性化行车的规范行车，则所述一辆自动驾驶车辆通过所述第二测试；
如所述一辆自动驾驶车辆能够通过所述第一测试及所述第二测试，所述一辆自动驾驶车辆具备向任意一位用户提供合法载客服务的一种资质；
所述第二种实现包括:
第一测试，用于检测核实所述一辆自动驾驶机动车辆采用的一个场景和用户对策对数据集对应于一个当前用户的表项中的数据覆盖的场景范围足够大，则所述一辆自动驾驶车辆通过所述第一测试；
第二测试，用于验证所述一辆自动驾驶车辆是否按照所述第一模块所述的基于一种个性化行车的规范行车;如所述一辆自动驾驶车辆按照所述第一模块所述的基于一种个性化行车的规范行车，则所述一辆自动驾驶车辆通过所述第二测试；
如所述一辆自动驾驶车辆能够通过所述第一测试及所述第二测试，所述一辆自动驾驶车辆具备向所述一位当前用户提供合法载客服务的一种资质。
10.如权利要求9所述的系统，所述第一种实现所述第一测试所述检测核实所述第一模块所述一个训练集的场景的覆盖范围足够大，以及检测核实所述一个训练集中每个场景中的所述多个行车操作方案的覆盖范围足够大包括核实：
所述一个训练集的场景的所述覆盖的场景是一个包括所有需要被覆盖的场景的集合的一个子集，且所述覆盖的场景的种数与所述一个包括所有需要被覆盖的场景的集合场景的种数比值大于第一个阈值,并且在任一场景中已经覆盖的行车操纵方案是在所述任一场景中一个包括所有需要被覆盖的行车操纵方案的集合的一个子集，且在所述任一场景中所述已经覆盖的行车操纵方案的个数和所述一个包括所有需要被覆盖的行车操纵方案的集合的行车操纵方案的个数的比值基于所述一个训练集的所有场景的所述比值统计的平均值或加权平均值大于第二个阈值，
其中，获取所述一个包括所有需要被覆盖的场景的集合包括一种具体实施，所述具体实施包括:
由所述设计一个训练集的所述的步骤C1-C5、C7所产生;
其中,获取所述一个在所述任一场景中包括所有需要被覆盖的行车操纵方案的集合包括一种具体实施，所述具体实施包括:
由所述设计一个训练集的所述的步骤C1-C5、C7所产生;
其中，所述加权平均值的加权系数和所述场景的风险大小、出现概率大小、以及所述操纵方案的出现概率大小相关；
所述第二种实现所述第一测试所述检测核实所述一辆自动驾驶机动车辆采用的一个场景和用户对策对数据集对应于一个当前用户的表项中的数据覆盖的场景范围足够大包括核实:
所述数据覆盖的场景是一个包括所有需要被覆盖的场景的集合的一个子集，且所述数据覆盖的场景的种数与所述一个包括所有需要被覆盖的场景的集合的场景的种数比值大于一个阈值Pt3；
其中，获取所述一个包括所有需要被覆盖的场景的集合包括一种具体实施，所述具体实施包括:
由权利要求6所述的步骤C1-C5、C7所产生。
11.一种场景匹配的方法，其特征在于，适用于如权利要求1-6任一项所述的方法或如权利要求7-9任意一项所述的系统，包括一种实时匹配的实现和/或一种检索匹配的实现;
其中，所述一种实时匹配的实现包括:
将一个当前场景按照和对所述一个场景与用户对策对数据集中的场景相同的分类、编码量化的算法分类、编码量化成一个实空间的 n维向量 Ci，
Ci = （Ci[1] ，… Ci[n]），式中，Ci[k] 为Ci的第k个分量的坐标值，且0 < Ci[k] ≤
1，(k = 1，2，…，n) ;
对应于所述一个场景与用户对策对数据集中的任一种场景Cj，
Cj= （Cj[1] ，… Cj[n]），式中，Cj[k] 为Cj的第k个分量的坐标值，且0 < Cj[k] ≤1，(k = 1，2，…，n);
Ci 或Cj或下述定义的任一向量的任一分量的任意两个坐标值构成一个线段，且所述坐标值与所对应场景的一个因素的度量具有相对应的单调性，当一个向量的任一分量的坐标值区间的两个端点的坐标值满足匹配条件时，所述坐标值区间所有的坐标也就都满足匹配条件；
计算相似度 Sij：
Sij = (∑( Ci[k] – Cj[k] ) ^2×αk /(n×∑α k ) )^0.5  ,(k = 1，2，…，n) ，式中α k为第k个分量的加权因子，且0 < Cj[k] ≤1；且0 < α k ≤1；
如果 Sij小于一个阈值 Tj，并且对于Cj的一个匹配边界向量Cjb
Cjb =[(Cjbmin[1], Cjbmax[1]), … (Cjbmin[k], Cjbmax[k])]， Ci 满足Cjbmin[k] ≤ Ci[k] ≤ Cjbmax[k];
式中0 < Cjbmin[k] ≤1;0 < Cjbmin[k] ≤1； Cjbmin[k] 为Cjb第k个分量的坐标值的下限， Cjbmax[k] 为第k个分量的坐标值的上限，(k = 1，2，…，n)；
并且，在场景Cj中提供给用户选择的行车操作方案Pj 在场景Ci中同样有效或同样有效的概率大于一个阈值Wj，则Ci为与Cj匹配的一种场景;
所述一种检索匹配的实现包括:
将一个当前场景按照对所述一个场景与用户对策对数据集中的场景相同的分类、编码量化的算法分类、编码量化成一个实空间的 n维向量 Ci，
Ci = （Ci[1] ，… Ci[n]），式中，Ci[k] 为第k个分量的坐标值，且0 < Ci[k] ≤1; (k = 1，2，…，n)，
如果检索到Ci 的各个坐标分量的坐标值位于所述一个场景与用户对策对数据集的中任一个场景的伴随匹配区间向量集的任一个伴随匹配区间向量的各个对应坐标分量的坐标值区间内，所述一个场景与用户对策对数据集的中的所述任一个场景与所述一个当前场景Ci 匹配。