1.一种场景复杂度评估方法，其特征在于，包括以下步骤：将用于描述待评估场景的参数集合输入场景复杂度评估模型，用以输出场景复杂度评估结果，其中，所述场景复杂度评估模型的构建包括以下步骤：选取若干典型场景；获取用于描述所述典型场景的参数集合；获取所述典型场景对应的驾驶数据，基于所述驾驶数据，得到所述典型场景的难度标签；具体方法为：基于所述驾驶数据，得到用于表征驾驶难度的表征特征；基于所述表征特征，计算所述典型场景的难度表征值；采用K-means方法对得到的若干所述典型场景的难度表征值进行聚类，根据聚类结果为所述典型场景分配难度标签；所述表征特征为与车辆碰撞频次、车辆碰撞严重程度、车辆稳定程度相关的特征；所述表征特征包括：车辆碰撞频次，Ⅰ级碰撞次数、Ⅱ级碰撞次数、Ⅲ级碰撞次数Ⅳ级碰撞次数、Ⅰ级稳定次数，Ⅱ级稳定次数，Ⅲ级稳定次数，Ⅳ级稳定次数；其中，车辆碰撞频次是指车辆发生碰撞的频次，Ⅰ级碰撞次数是指车辆发生碰撞后，车辆减速的次数，Ⅱ级碰撞次数是指车辆发生碰撞后，车辆停止行驶的次数，Ⅲ级碰撞次数是指车辆发生碰撞后，车辆原地转圈不满一周的次数，Ⅳ级碰撞次数是指车辆发生碰撞后，车辆原地转圈一周以上的次数，Ⅰ级稳定次数是指车辆未发生碰撞，车辆稳定的次数，Ⅱ级稳定次数是指车辆未发生碰撞，车辆摇晃后平稳行驶的次数，Ⅲ级稳定次数是指车辆未发生碰撞，车辆转圈不满一周的次数，Ⅳ级稳定次数是指车辆未发生碰撞，车辆转圈一周以上的次数；以所述典型场景的参数集合为输入，以所述典型场景的难度标签为输出，通过SVM或决策树算法，构建场景复杂度评估模型。
2.根据权利要求1所述的场景复杂度评估方法，其特征在于，所述参数集合包括：车道宽度、车道长度、车道曲率半径。
3.根据权利要求1所述的场景复杂度评估方法，其特征在于，选取所述典型场景时考虑以下因素：直线道路、单一转弯道路、连续转弯道路。
4.根据权利要求1所述的场景复杂度评估方法，其特征在于，所述驾驶数据为指定任务下的驾驶数据。
5.根据权利要求1所述的场景复杂度评估方法，其特征在于，基于所述驾驶数据，得到所述典型场景的难度标签，还包括以下步骤：基于所述驾驶数据，得到所述典型场景对应的平均速度；基于所述表征特征和平均速度，得到输入集，以根据聚类结果分配的难度标签为输出，采用BP神经网络进行监督学习，构建难度标签输出模型；训练所述难度标签输出模型，直至模型收敛，即完成训练；基于训练后的难度标签输出模型，得到所述典型场景的难度标签真值。
6.根据权利要求5所述的场景复杂度评估方法，其特征在于，构建所述场景复杂度评估模型时，以所述典型场景的难度标签真值为输出。
7.一种场景复杂度评估系统，其特征在于，包括：评估单元，配置用于：将用于描述待评估场景的参数集合输入场景复杂度评估模型，用以输出场景复杂度评估结果；模型构建单元，配置用于：选取若干典型场景；获取用于描述所述典型场景的参数集合；获取所述典型场景对应的驾驶数据，基于所述驾驶数据，得到所述典型场景的难度标签；以所述典型场景的参数集合为输入，以所述典型场景的难度标签为输出，通过SVM或决策树算法，构建场景复杂度评估模型；将用于描述待评估场景的参数集合输入场景复杂度评估模型，用以输出场景复杂度评估结果，其中，所述场景复杂度评估模型的构建包括以下步骤：选取若干典型场景；获取用于描述所述典型场景的参数集合；获取所述典型场景对应的驾驶数据，基于所述驾驶数据，得到所述典型场景的难度标签；具体方法为：基于所述驾驶数据，得到用于表征驾驶难度的表征特征；基于所述表征特征，计算所述典型场景的难度表征值；采用K-means方法对得到的若干所述典型场景的难度表征值进行聚类，根据聚类结果为所述典型场景分配难度标签；所述表征特征为与车辆碰撞频次、车辆碰撞严重程度、车辆稳定程度相关的特征；所述表征特征包括：车辆碰撞频次，Ⅰ级碰撞次数、Ⅱ级碰撞次数、Ⅲ级碰撞次数Ⅳ级碰撞次数、Ⅰ级稳定次数，Ⅱ级稳定次数，Ⅲ级稳定次数，Ⅳ级稳定次数；其中，车辆碰撞频次是指车辆发生碰撞的频次，Ⅰ级碰撞次数是指车辆发生碰撞后，车辆减速的次数，Ⅱ级碰撞次数是指车辆发生碰撞后，车辆停止行驶的次数，Ⅲ级碰撞次数是指车辆发生碰撞后，车辆原地转圈不满一周的次数，Ⅳ级碰撞次数是指车辆发生碰撞后，车辆原地转圈一周以上的次数，Ⅰ级稳定次数是指车辆未发生碰撞，车辆稳定的次数。Ⅱ级稳定次数是指车辆未发生碰撞，车辆摇晃后平稳行驶的次数，Ⅲ级稳定次数是指车辆未发生碰撞，车辆转圈不满一周的次数，Ⅳ级稳定次数是指车辆未发生碰撞，车辆转圈一周以上的次数；以所述典型场景的参数集合为输入，以所述典型场景的难度标签为输出，通过SVM或决策树算法，构建场景复杂度评估模型。
