1.一种基于多任务神经网络的汽车可行驶区域规划方法，其特征在于，包括以下步骤：

步骤1，构建具有语义分割与目标检测两种功能的轻量级多任务神经网络，包括：基于硬参数共享机制构建轻量级多任务神经网络任务共享层；构建多尺度目标检测特定层；基于金字塔池化模型构建语义分割特定层；

步骤2，根据轻量级多任务神经网络输出格式，制作训练集；

步骤3，构建多任务神经网络损失函数数学模型；

步骤4，将多任务神经网络应用于汽车可行驶区域规划中，将多任务神经网络模型部署至车载嵌入式平台中，在嵌入式平台中运行模型检测汽车前方车辆、行人，并分割车道，将检测到的信息发送至嵌入式平台控制中心，多任务神经网络模型分割车道，会将当前汽车所在车道和汽车旁边虚线分割车道检测出来，在图片中会用不同颜色显示，有颜色显示的区域都是可行驶区域，颜色是人为设定的，利用实验者和驾驶者观察，实际中这些有颜色显示的区域在计算机中的像素值都是像素值为1或2；

所述步骤3构建多任务神经网络损失函数数学模型，具体包括以下子步骤：

步骤3.1：确定目标检测任务特定层与语义分割任务特定层损失函数，然后在每个特定层计算损失值的过程中对损失值进行归一化处理；

步骤3.2：使用动态损失权重对两个特定层网络的损失值线性加权求和，公式如1所示：

FM＝W1·F1+W2·F2    (1)

其中FM是多任务神经网络的损失值，F1，W1分别是目标检测特定层网络的损失值与权重系数，F2，W2分别是语义分割特定层网络的损失值与权重系数，W1，W2根据两种网络的损失值进行动态计算，计算公式如(2)、(3)所示：其中|ΔF1|为目标检测特定层网络的当前次epoch的损失值与上一次epoch的损失值差的绝对值，|ΔF2|为语义分割特定层网络的当前次epoch的损失值与上一次epoch的损失值差的绝对值。

2.根据权利要求1所述的一种基于多任务神经网络的汽车可行驶区域规划方法，其特征在于，所述步骤1构建具有语义分割与目标检测两种功能的轻量级多任务神经网络，具体包括以下子步骤：步骤1.1：基于硬参数共享机制构建轻量级多任务神经网络任务共享层，硬参数共享机制：网络中多个任务分支共享一个主干网络，即一个主干网络提取的图像特征传给多个任务分支；软参数共享机制：每个任务分支使用一个主干网络，然后使用算法将各个主干网络关联起来，该任务共享层结合DenseNet密集连接结构与跨级局部网络CSPNet的CSP残差结构：网络输入的是相机拍摄的一帧帧图片，图片中包含各种东西，所述轻量级多任务神经网络的功能就是检测相机拍摄图片中的车辆，行人，任务共享层每次下采样，特征图尺寸就会下降一半，经过多次下采样，特征图的尺寸也会有多次下降一半，这些特征图叠在一起看起来就像一个金字塔；

步骤1.2：基于FPN特征金字塔网络方法，构建多尺度目标检测特定层；

步骤1.3：基于金字塔池化模型构建语义分割特定层，并使用双线性插值法对特征图进行上采样，使采样后的尺寸与网络输入尺寸相同。

3.根据权利要求2所述的一种基于多任务神经网络的汽车可行驶区域规划方法，其特征在于，所述任务共享层共分为7层，从上到下分别是CBL层、CBL层、CSP层、CSP层、DCB、CSP层、CBL层，其中CBL层包括卷积层‑批量归一化层‑激活函数层；CSP层是一个残差结构，在ResNet的残差块外部再连接一条大的残差边，DCB层是DenseNet网络中的密集连接结构。

4.根据权利要求1所述的一种基于多任务神经网络的汽车可行驶区域规划方法，其特征在于，所述步骤2根据轻量级多任务神经网络输出格式，制作训练集，具体包括以下子步骤：步骤2.1：根据多任务神经网络输出，将训练集标签分为两类：用于目标检测的VOC格式标签，用于语义分割的掩码格式标签；

步骤2.2：使用LabelImg与Labelme工具分别对同一张图片进行标注，然后生成.xml文件与单通道的.png灰度图，在灰度图中，不可行驶区域像素值为0，当前车道像素值为1，旁边可行驶车道像素值为2，使用K‑means聚类算法，对所有的数据集中车辆，行人预设目标尺寸进行聚类，生成5种尺寸的矩形框，按降序排列，其中前3种尺寸的矩形框作为目标检测特定层输出尺寸为13×13的特征图的默认框；其中后3种尺寸的矩形框作为目标检测特定层输出尺寸为26×26的特征图的默认框；目标检测特定层最后使用逻辑回归，从3个默认框中寻找置信度最高的那个，它就是输出最接近真实目标的默认框边界。

5.根据权利要求1所述的一种基于多任务神经网络的汽车可行驶区域规划方法，其特征在于，所述步骤4将多任务神经网络应用于汽车可行驶区域规划中，具体包括以下子步骤：步骤4.1：利用提出的损失函数数学模型来进行反向传播，使网络参数达到最优；

步骤4.2：图像处理包含：1.将图片尺寸使用最邻近插值法放大或缩小为网络输入尺寸；网络输入尺寸为416x416,就需要将图片尺寸放大或缩小为416x416；2.将放大或缩小的图片进行归一化处理，即图片像素值统一除以255，使图片像素值从0‑255变为0‑1，处理后视频帧送入多任务神经网络中，经过网络的前向推理，目标检测分支与语义分割分支分别输出对应的结果；

步骤4.3：在后处理程序中，将两个分支的输出结果进行融合，用来使用OpenCV将目标检测分支得到的结果绘制在原图中，结果包含每个目标的类别、得分及坐标，然后再将语义分割分支结果绘制在原图中，即两个分支得到的结果绘制在同一张图片上，规划可行驶区域以及防碰撞预警。