1.一种人车交互决策方法，其特征在于，包括：在当前车辆行驶过程中获取行人激进度，所述行人激进度表征行人风险程度；将所述行人激进度与其他输入信息输入至智能驾驶员模型或有限状态机模型；获取所述智能驾驶员模型或有限状态机模型输出的加速度并进行输出，以使所述当前车辆按照所述加速度继续行驶；所述有限状态机模型按照以下公式计算安全标志： 其中，Flag safe 表示所述安全标志，t e 表示所述当前车辆到达交汇点的预期时长，t p 表示所述行人到达交汇点的预期时长，T safe 为设定的时间阈值，I agsv 表示所述行人激进度，k表示常数；所述有限状态机模型在所述安全标志确定为安全时，保持所述当前车辆的当前加速度，所述有限状态机模型在所述安全标志确定为不安全时，输出所述加速度为预设加速度，所述预设加速度小于所述当前加速度；所述智能驾驶员模型按照以下公式中的一种计算所述加速度：s' 0 ＝s base +I agsv (s 0 -s base )；或者， 或者， 或者 δ'＝δ(2-I agsv )， T'＝T×I agsv ，其中，a ego 表示所述加速度，a set 为初始加速度，v d 为所述当前车辆的理想车速，v e 为所述当前车辆的车速，Δv为所述当前车辆与所述行人之间的相对速度，δ为加速度指数项，s表示所述当前车辆与行人之间的实际间距，T为预设时间间隔，b为舒适加速度上界，s base 表征所述当前车辆与所述行人之间可避免事故发生的最小距离，I agsv 表示所述行人激进度，s 0 表示最小安全间隔。
2.根据权利要求1所述的人车交互决策方法，其特征在于，所述加速度为负值，所述行人激进度越高，所述加速度越小。
3.根据权利要求1所述的人车交互决策方法，其特征在于，所述获取行人激进度之后还包括：识别所述当前车辆的行驶场景，所述行驶场景包括路口路段和非路口路段；所述将所述行人激进度与其他输入信息输入至智能驾驶员模型或有限状态机模型包括：在所述行驶场景为所述路口路段时，将所述行人激进度与其他输入信息输入至所述有限状态机模型；或者，在所述行驶场景为所述非路口路段时，将所述行人激进度与其他输入信息输入至搜索智能驾驶员模型。
4.根据权利要求1所述的人车交互决策方法，其特征在于，所述智能驾驶员模型输出的加速度与最小安全间隔负相关，所述最小安全间隔与所述行人激进度正相关。
5.根据权利要求1所述的人车交互决策方法，其特征在于，所述智能驾驶员模型输出的加速度与加速度指数项正相关，所述加速度指数项与所述行人激进度负相关。
6.根据权利要求1所述的人车交互决策方法，其特征在于，所述智能驾驶员模型输出的加速度与预设时间间隔负相关，所述预设时间间隔与所述行人激进度正相关。
7.根据权利要求1所述的人车交互决策方法，其特征在于，所述有限状态机模型在判断所述行人与所述当前车辆的状态是否安全时，所述行人激进度越小，所述有限状态机模型判断所述行人与所述当前车辆的状态是安全的概率越大。
8.根据权利要求1所述的人车交互决策方法，其特征在于，所述获取行人激进度包括：根据所述当前车辆的行驶信息以及环境信息判断是否存在冲突区域，所述冲突区域表示所述当前车辆与行人可能发生冲突的位置区域；如果确定存在冲突区域，则获取所述行人激进度。
9.根据权利要求8所述的人车交互决策方法，其特征在于，还包括：判断所述当前车辆是否驶出所述冲突区域，或者所述行人离开所述冲突区域；如果不是，则继续获取所述行人激进度。
10.根据权利要求1所述的人车交互决策方法，其特征在于，采用以下方式计算所述行人激进度：步骤S1，检测所述当前车辆行驶路线上是否有行人正在穿行；若是，则进入步骤S2；步骤S2，调用所述当前车辆的传感器数据和定位数据，获取行人等待时间、行人是否向后退、行人穿行群体人数、行人穿行的速度、加速度和人车间距；步骤S3，根据步骤S2得到的数据，确定特征变量的数值和激进度指数；其中，所述特征变量包括是否向后退、平均速度、是否观察车流、是否有干扰物、加速度、等待时间、人群数量，所述特征变量是通过下述方法设置的：通过相关性矩阵分析影响行人激进度的备选变量，在每一组相关性高于预设阈值的变量中保留一种变量设置为所述特征变量；确定所述特征变量的数值和激进度指数包括根据步骤S2得到的数据获取所述特征变量的数值，根据预设的特征变量与激进度之间的对应关系确定所述激进度指数；步骤S4，将步骤S3获得的特征变量的激进度指数作为输入，通过基于多层感知机MLP的深度学习网络，获得上述行人整体激进度。
11.一种人车交互决策装置，其特征在于，包括：行人激进度获取模块，用于在当前车辆行驶过程中获取行人激进度，所述行人激进度表征行人风险程度；输入模块，用于将所述行人激进度与其他输入信息输入至智能驾驶员模型或有限状态机模型；加速度获取模块，用于获取所述智能驾驶员模型或有限状态机模型输出的加速度并进行输出，以使所述当前车辆按照所述加速度继续行驶；所述有限状态机模型按照以下公式计算安全标志： 其中，Flag safe 表示所述安全标志，t e 表示所述当前车辆到达交汇点的预期时长，t p 表示所述行人到达交汇点的预期时长，T safe 为设定的时间阈值，I agsv 表示所述行人激进度，k表示常数；所述有限状态机模型在所述安全标志确定为安全时，保持所述当前车辆的当前加速度，所述有限状态机模型在所述安全标志确定为不安全时，输出所述加速度为预设加速度，所述预设加速度小于所述当前加速度；所述智能驾驶员模型按照以下公式中的一种计算所述加速度：s' 0 ＝s base +I agsv (s 0 -s base )；或者， 或者， 或者 δ'＝δ(2-I agsv )， T'＝T×I agsv ，其中，a ego 表示所述加速度，a set 为初始加速度，v d 为所述当前车辆的理想车速，v e 为所述当前车辆的车速，Δv为所述当前车辆与所述行人之间的相对速度，δ为加速度指数项，s表示所述当前车辆与行人之间的实际间距，T为预设时间间隔，b为舒适加速度上界，s base 表征所述当前车辆与所述行人之间可避免事故发生的最小距离，I agsv 表示所述行人激进度，s 0 表示最小安全间隔。
12.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1至10中任一项所述人车交互决策方法的步骤。
13.一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至10中任一项所述人车交互决策方法的步骤。
