1.一种基于全声频感知的无人驾驶车辆控制系统，包括与无人驾驶车辆的中央数据处理与控制单元连接的机器视觉子系统，所述机器视觉子系统用于向中央数据处理与控制单元发送视觉感知信息；其特征在于，还包括与无人驾驶车辆的中央数据处理与控制单元连接的全声频感知子系统；

所述全声频感知子系统包括，

声音传感器，用来采集空间范围内人耳所能感受的所有声波信号；

超声回波传感器，用来采集经由物体反射回来的特定超声波信号，并解析其携带的车辆身份信息；

声电转换器，分别与所述声音传感器和超声回波传感器连接，将所述声音传感器产生的声音信号、超声回波传感器产生的超声波信号转换成电信号；

全声频特征识别与分类器，与声电转换器连接，将声电转换器输入的电信号进行分类，提取其包含的超声回波定位信息和声音特征，并进行声音信息识别，获取不同路况信息和其他车行驶信息；

全声频数据融合与决策器，与全声频特征识别与分类器连接，根据其输入信号进行数据融合、逻辑分析和智能决策，并将决策信息传输至全声频特征识别与分类器；

电声发生器，与全声频特征识别与分类器相连，接收全声频特征识别与分类器传输的声音控制信号和超声波控制信号，对应转换为声音小信号和调制了车辆身份信息的超声波小信号；

扬声器，与电声发生器连接，接收其产生的声音小信号，进行放大处理，发出人耳能感知到声波信号；

超声波发生器，与电声发生器连接，接收其产生的超声波小信号，经过放大后发出特定频率且携带车辆身份信息的超声波信号；

所述全声频感知子系统通过全声频数据融合与决策器向中央数据处理与控制单元发送全声频感知信息以及车辆控制决策信息，同时接收中央数据处理与控制单元发送的返回车辆控制信息；

所述中央数据处理与控制单元对各子系统的感知信息进行比较，并判断全声频感知子系统的感知信息的准确度。

2.一种应用了权利要求1所述基于全声频感知的无人驾驶车辆控制系统的控制方法，其特征在于，包括步骤S1.全声频感知子系统、机器视觉子系统进行信息感知获取，中央数据处理与控制单元接收各子系统发送的各感知信息；

S2.通过将对接收到全声频感知子系统的信息与其他子系统获得的信息相比较进行逻辑判断；当全声频感知子系统与其他子系统获得的信息判断结果一致时，判断逻辑为真，否则，判断逻辑为假；

S3.若步骤S2中，判断逻辑为真，则将全声频感知子系统发送的车辆控制决策信息发送给各个车辆控制器，由车辆控制器发送命令至对应的各种执行机构进行执行动作；若判断逻辑为假，则不再继续执行，并要求全声频感知子系统继续侦听。

3.根据权利要求2所述的基于全声频感知的无人驾驶车辆控制系统的控制方法，其特征在于，所述步骤S2中，对不同子系统获取的感知数据融合采用卡尔曼滤波和随机梯度下降方法。

4.根据权利要求3所述的基于全声频感知的无人驾驶车辆控制系统的智能控制方法，其特征在于，所述步骤S2具体为对不同子系统采集的感知数据采用卡尔曼滤波进行处理：采用一个子系统获得的感知数据作为参考，另一个子系统获取的感知数据作为估计步长，依据上一个状态值，估计下一个状态值的可能性分布，并通过随机梯度下降方法加速计算过程中的收敛速度。

5.根据权利要求3至4任意一项所述的基于全声频感知的无人驾驶车辆控制系统的智能控制方法，其特征在于，所述卡尔曼滤波具体方法包括，

假设k时刻的最佳估计值为 协方差矩阵为Pk，由两个独立的维度去估计系统状态：预测值：

测量值：(μ1,∑1)＝(z′k,Rk)

重叠区域为：

又卡尔曼增益表示为：

可得：

P′k＝Pk-K′HkPk

通过迭代，得到每个状态的更新步骤 是最佳估计值，由此，实现不同感知子系统的数据融合及控制状态的判断；

采用随机梯度下降方法对上述卡尔曼滤波进行优化：

将训练集截取为m个样本{x(1),...,x(m)}的独立同分布的小批量，其中样本x(i)对应目标为y(i)；

梯度估计为

更新为

其中，初始参数为θ，学习率为ε，第k步迭代的学习率为εk。

6.根据权利要求5所述的基于全声频感知的无人驾驶车辆控制系统的智能控制方法，其特征在于，所述步骤S1中，全声频感知子系统进行数据感知获取和决策方法具体包括步骤S11.发射超声回波信号并接收超声回波信号，

S12.根据接收的超声回波信号计算时间间隔、空间位置数据，得到车辆驾驶初级决策数据；

S13.发射声音信号并接收声音信号；

S14.根据接收的声音信号识别时间间隔内的声音强度的换算距离信息和语音信息数据，得到车辆驾驶次级决策数据；

S15.判断初级决策和次级决策是否一致，若一致，执行决策，若不一致，则返回到步骤S13。

7.根据权利要求6所述的基于全声频感知的无人驾驶车辆控制系统的控制方法，其特征在于，所述步骤S12中的初级决策数据和步骤S14中的次级决策数据通过划分成冗余数据和互补数据来计算；其中，将声音传感器和超声回波传感器获得的二维数据分别记为A类、B类，采集不同时刻的声音传感器获得的数据记为A1、A2…An，采集不同时刻的超声回波传感器的获得数据记为B1、B2、…Bn；集合A和集合B中数据重叠部分的记为冗余数据，集合A和集合B中数据不重叠部分的记为互补数据。

8.根据权利要求6所述的基于全声频感知的无人驾驶车辆控制系统的控制方法，其特征在于，在步骤S14之后，执行步骤S15之前，还包括以下步骤：判断前次的次级决策和本次的次级决策数是否一致，若一致则执行步骤S15，否则，执行计算前次次级决策数据的置信概率和本次次级决策数据置信概率，并获取高置信概率的次级决策；

计算初级决策数据的置信概率并判断是否为最优决策；

判断次级决策的置信概率是否高于初级决策的置信概率，若是，则执行次级决策，否则执行初级决策。

9.根据权利要求5所述的基于全声频感知的无人驾驶车辆控制系统的控制方法，其特征在于，置信概率及最优决策计算方法具体为：令置信概率PZ＝1-α＝P(θ1≤θ≤θ2)，则1-α表示在置信区间(θ1,θ2)上估计正确的概率；

被检测的数据均方响应<υ2>＝θ的概率密度为 则有置信区间(θ1,θ2)内的置信概率又Pa(s,s′)＝P(s′|s,a)表示在某一状态s和执行动作a，则到达下一状态s′的概率；

马尔可夫最优决策过程可表示为π:S→A，π为最优决策，S表示有限状态空间，A为决策空间；任意状态S下产生的行为表示为a＝π(s)，那么最优决策是在可能状态s和s′间不断迭代，直到衰减叠加的积累(期望)激励Vi+1(s)收敛：

10.根据权利要求6至9任意一项所述的基于全声频感知的无人驾驶车辆控制系统的控制方法，其特征在于，无论计算置信概率或最优决策结果为何，初级决策或次级决策一旦触发安全优先原则，即与车辆安全性相抵触时，只执行保证车辆运行安全的决策。