1.一种智能底盘控制系统测试与评估方法，其包括车辆OBD口读取车车辆的各种数据信息，其特征在于：具体的测试系统包括场景确定、根据场景获取测试车辆的实车数据、并根据获取的数据分别对舒适性、操控性以及安全性进行评价、并根据权重计算最后的得分，通过最后的得分对智能地盘控制系统进行评估；
具体评估方法包括以下步骤：
S1、采用卷积神经网络方法评估车辆舒适性与操控性，并根据得出相对于的得分；
S2、通过轮胎力的利用率和轮胎的垂向载荷来获取安全性的得分，且两者分开打分，最低1分，最高10分，最终加权后得到一个最终的安全性得分；
S3、综合考虑舒适性，操控性和安全性得分，从而得到一个总的分数，在不同情况下三个因素所占总得分的权重是不一样的，当安全性得分较高时，以舒适性和操控性作为主要的评分标准，当车辆接近极限工况时，车辆安全性下降，此时，安全性应该作为主要的考察项；具体的采用下面的权重分配方式计算总得分：
式中，S为总得分，S1，S2，S3分别为舒适性，操控性和安全性得分，f1，f2，f3为权重系数。
2.根据权利要求1所述的一种智能底盘控制系统测试与评估方法，其特征在于：其中f1和f2是定值，f3与S3相关，计算如下：
3.根据权利要求1所述的一种智能底盘控制系统测试与评估方法，其特征在于：采用卷积神经网络方法评估车辆舒适性与操控性具体包括以下步骤：
数据收集：采用不同的车，对车的底盘进行调校或者进行底盘控制算法的参数调节得到若干种不同的底盘状态，然后进行不同种组数据测量与打分，选取车辆的纵横向加速度，侧倾角，侧倾角速度，俯仰角，俯仰角速度，横摆角和横摆角速度数据，以及对应的舒适度评分，并且对数据进行预处理；
构建模型：构建一个卷积神经网络模型，在上述步骤若干组数据中随机选取1000组数据，将其作为输入值，舒适性评分作为输出值，其范围为1‑10的整数，通过卷积神经网络(CNN)对预处理后的数据进行特征提取，提取出能够反映车辆舒适性的特征；同时以方向盘转角，方向盘转速，方向盘力矩，车轮转角，纵横向加速度，横摆角速度作为输入值，操控性评分为输出值，获得一个评价操控性的模型；
模型训练：采用Relu激活函数，使用训练集对深度神经网络模型进行训练，通过反向传播算法和Adam优化器来调整模型的权重和偏置，以减小损失函数的值；
模型评估：使用测试及对训练好的模型进行评估，计算模型的预测准确率、精度等指标，通过混淆矩阵评估模型在各类样本上的分类准确率，进一步了解模型在各类样本上的性能表现，从而得到最有用的评分模型，以此获取舒适性与操控性评分模型。
4.根据权利要求3所述的一种智能底盘控制系统测试与评估方法，其特征在于：具体的模型评估实现过程中采用k折交叉验证方法，将数据集分成10个子集，每次用9个子集作为训练集，剩下的一个子集作为测试集，进行10次验证，最后求得模型的平均性能指标。
5.根据权利要求1所述的一种智能底盘控制系统测试与评估方法，其特征在于：具体的安全性评分如下：
车辆的轮胎力利用率越小越平均说明安全阈值高，某个轮胎的垂向载荷越小，安全性差；
单个车轮的轮胎力利用率计算如下：
式中，ηi为轮胎力利用率，Fx为轮胎纵向力，Fy为轮胎横向力，Fz为轮胎垂向力，μ为路面附着系数，fl,fr,rl,rr分别为左前轮，右前轮，左后轮，右后轮；、采用标准差J反应轮胎力利用率的平均度：
当轮胎力利用率不高的时候，即使四个轮胎力利用率偏差较大，则认为车辆是较安全的，因此，当max(ηi)<＝60时，认为得分为10分，如果max(ηi)>60，需要通过标准差J来打分，共设十个区间，[0，a1]、(a1，a2]…(a9，a10]，当J在区间[0，a1]时，得分为10分，以此类推，当在区间(a9，a10]时，得1分；
轮胎垂向载荷是另一个评判车辆是否安全的重要标准，当某个车轮轮胎垂向力很小的时候，说明该轮有离地风险，车辆可能发生侧翻，以车辆静止状态的四个轮胎垂向力Fzsi作为参考值，分别计算四个轮胎的垂向力转移率：
σi<0说明，该轮载荷增大，无风险，σi>0说明该轮载荷减小，其值越接近于1，车轮离地风险越大，去max(σi)作为打分标准，同样设置十个区间，[0，b1]、(b1，b2]…(b9，1]，当max(σi)在[0，b1]区间时，得分为10分，以此类推，当在区间(b9，1]时，得1分；
综上所述两者从而获取安全性的总分，取两者中较小的得分作为最终的安全性得分。