1.一种基于双模神经网络模型的驾驶环境评估方法，其特征在于，所述方法包括：获取周围驾驶车辆的多组坐标序列以及多组图像序列；

其中，所述图像序列为二维数据，所述坐标序列为一维数据；

将多组坐标序列组成第一子集，并将多组图像序列组成第二子集；

其中，所述第一子集中的每个元素是一个一维向量，所述第二子集中的每个元素是一个二维矩阵；

按照数据维度，对所述第一子集中的每个向量以及第二子集中的每个二维矩阵进行规范化，以使向量映射在固定范围内，获得规范后的第一子集以及规范化后的第二子集；

构建双模神经网络模型；

其中，所述双模神经网络模型包括一维数据子网络以及二维数据子网络，所述一维数据子网络以及二维数据子网络的最后一个隐含层与输出层为全连接，所述一维数据子网络的输入层与二维数据子网络的输入层独立，所述一维数据子网络的隐含层与二维数据子网络的隐含层独立，所述双模神经网络模型的激励函数为非线性函数；

将所述第一子集输入已训练的一维数据子网络的输入层，并且将所述第二子集中的每个元素输入已训练的二维数据子网络别的输入层，以使所述二维数据子网络与所述一维数据子网络互相配合进行识别，输出驾驶环境的评估结果；

基于所述驾驶环境的评估结果，确定自驾车辆的驾驶环境是否安全；

所述已训练的一维数据子网络以及已训练的二维数据子网络通过如下步骤训练得到：获取训练数据集；

其中，所述训练数据集包括多个样本，一个样本包括一维坐标序列以及对应的图像序列，所述样本包括包含标注驾驶环境的状态；

将一维坐标序列作为双模神经网络模型中一维数据子网络的输入，将该一维坐标序列对应的图像序列作为二维数据子网络的输入，将该样本标注的驾驶环境的状态作为双模神经网络模型的学习目标，迭代训练所述双模神经网络模型直至达到迭代次数或者损失函数最小，获得已训练的一维数据子网络和二维数据子网络。

2.根据权利要求1所述的驾驶环境评估方法，其特征在于，所述按照数据维度，对所述第一子集中的每个向量以及第二子集中的每个二维矩阵进行规范化，以使向量映射在固定范围内，获得规范后的第一子集以及规范化后的第二子集包括：使用第一规范化公式对所述第一子集中的每个向量进行规范化，以及使用第二规范化公式对所述第二子集中的每个二维矩阵进行规范化，获得规范后的第一子集以及规范化后的第二子集；

其中，第一规范化公式为：

其中，at表示第一子集中的向量， 表示规范化后的第一子集中的向量，mean表示向量at的均值，std为标准差，|at|表示向量的维度；

所述第二规范化公式为：

其中， 表示规范后的第二子集中的二维矩阵，dt表示第二子集中的二维矩阵， 表示二维矩阵 中每个元素值。

3.根据权利要求1所述的驾驶环境评估方法，其特征在于，所述一维数据子网络包括一个输入层以及8个隐藏层，所述二维数据子网络包括一个输入层以及5个隐藏层，一维数据子网络的第8个隐藏层以及二维数据子网络的第5个隐藏层与所述双模神经网络模型的输出层全连接，所述输出层输出一个向量，向量的每个维度表示一个驾驶环境的状态。

4.根据权利要求1所述的驾驶环境评估方法，其特征在于，所述激励函数为：其中，x表示输入，α表示当x>0时，控制激励函数产生偏置使得输入与输出近似相等的参数，R表示实数集。

5.根据权利要求1所述的驾驶环境评估方法，其特征在于，所述评估结果包括多个分量，每个分量对应一种驾驶环境的状态，每个分量的取值位于[0,1]之间。

6.根据权利要求5所述的驾驶环境评估方法，其特征在于，所述基于所述驾驶环境的评估结果，确定自驾车辆的驾驶环境是否安全包括：当分量的取值大于阈值时，将该分量对应的驾驶环境的状态确定为自驾车辆的驾驶环境的状态；

根据自驾车辆的驾驶环境的状态，确定驾驶环境是否安全。

7.根据权利要求1所述的驾驶环境评估方法，其特征在于，在所述基于所述驾驶环境的评估结果，确定自驾车辆的驾驶环境是否安全之后，所述驾驶环境评估方法还包括：当自驾车辆的驾驶环境为不安全时，向自驾车辆中控单元发送报警信息，以使中控单元控制自驾车辆进行相关操作，使得自驾车辆在最短时间处于安全的环境状态。

8.一种基于双模神经网络模型的驾驶环境评估装置，其特征在于，所述装置包括：获取模块，用于获取周围驾驶车辆的多组坐标序列以及多组图像序列；

其中，所述图像序列为二维数据，所述坐标序列为一维数据；

组成模块，用于将多组坐标序列组成第一子集，并将多组图像序列组成第二子集；

其中，所述第一子集中的每个元素是一个一维向量，所述第二子集中的每个元素是一个二维矩阵；

处理模块，用于按照数据维度，对所述第一子集中的每个向量以及第二子集中的每个二维矩阵进行规范化，以使向量映射在固定范围内，获得规范后的第一子集以及规范化后的第二子集；

构建模块，用于构建双模神经网络模型；

其中，所述双模神经网络模型包括一维数据子网络以及二维数据子网络，所述一维数据子网络以及二维数据子网络的最后一个隐含层与输出层为全连接，所述一维数据子网络的输入层与二维数据子网络的输入层独立，所述一维数据子网络的隐含层与二维数据子网络的隐含层独立，所述双模神经网络模型的激励函数为非线性函数；

识别模块，用于将所述第一子集输入已训练的一维数据子网络的输入层，并且将所述第二子集中的每个元素输入已训练的二维数据子网络别的输入层，以使所述二维数据子网络与所述一维数据子网络互相配合进行识别，输出驾驶环境的评估结果；

确定模块，用于基于所述驾驶环境的评估结果，确定自驾车辆的驾驶环境是否安全；

所述装置还包括训练模块，用于：

获取训练数据集；

其中，所述训练数据集包括多个样本，一个样本包括一维坐标序列以及对应的图像序列，所述样本包括包含标注驾驶环境的状态；

将一维坐标序列作为双模神经网络模型中一维数据子网络的输入，将该一维坐标序列对应的图像序列作为二维数据子网络的输入，将该样本标注的驾驶环境的状态作为双模神经网络模型的学习目标，迭代训练所述双模神经网络模型直至达到迭代次数或者损失函数最小，获得已训练的一维数据子网络和二维数据子网络。