1.基于车载传感器数据融合的路面湿滑区域分割方法，其特征在于，包括如下步骤：S1，对装载于车辆的激光雷达和相机进行标定，并获取标定参数；S2，在车辆行驶过程中，实时提取激光雷达数据并从中筛选出路面区域点云；实时提取相机图像数据并计算图像的颜色特征与纹理特征；S3，根据所述标定参数，将所述路面区域点云投影至图像，使被点云覆盖的像素点拥有反射强度数据；S4，根据所述图像的颜色特征与纹理特征估算所述路面区域未被点云覆盖的像素点的反射强度数据；S5，将路面区域完成估算后的反射强度数据与图像数据融合，获得融合数据；S6，建立包含第一分支和第二分支的分割模型，采用历史融合数据对所述分割模型进行训练，并在训练完成后删除所述第一分支，获得训练好的分割模型；S7，将S5中获得的融合数据输入训练好的分割模型，对路面湿滑区域分割并输出数据。
2.根据权利要求1所述的基于车载传感器数据融合的路面湿滑区域分割方法，其特征在于，所述S4具体包括：S401，计算路面区域未被点云覆盖的像素点与其周围被点云覆盖的像素点之间颜色特征和纹理特征的相似度；S402，依据颜色特征相似度与纹理特征相似度计算周围被点云覆盖的像素点在反射强度估算过程中所占权重；S403，依据周围被点云覆盖的像素点在反射强度估算过程中所占权重计算未被点云覆盖的像素点的反射强度数据。
3.根据权利要求2所述的基于车载传感器数据融合的路面湿滑区域分割方法，其特征在于，所述S401中颜色特征的相似度采用下述公式计算： ；其中， p 为路面区域未被点云覆盖的像素点， Ω 为 p 周围被点云覆盖的像素点的集合， q 为 p 周围被点云覆盖的像素点，且 ， 为 p 与 q 颜色特征的相似度， 为极小值常数， 为 p 的颜色特征， 为 q 的颜色特征；所述S401中纹理特征的相似度采用下述公式计算： ；其中， 为 p 与 q 纹理特征的相似度， 为 p 的纹理特征， 为 q 的纹理特征。
4.根据权利要求3所述的基于车载传感器数据融合的路面湿滑区域分割方法，其特征在于，所述S402中的周围被点云覆盖的像素点在反射强度估算过程中所占权重采用下述公式计算： ；其中， 为 q 在估算 p 的反射强度数据时所占权重。
5.根据权利要求4所述的基于车载传感器数据融合的路面湿滑区域分割方法，其特征在于，所述S403中的未被点云覆盖像素点的反射强度数据采用下述公式计算： ；其中， 为 q 的反射强度， 为归一化系数、 为计算得到的 p 的反射强度。
6.根据权利要求1所述的基于车载传感器数据融合的路面湿滑区域分割方法，其特征在于，所述S5具体包括：S501，将图像数据表示为RGB颜色空间的三通道数据并进行归一化；S502，将路面区域完成估算后的反射强度数据归一化并与图像数据进行拼接，成为图像数据的第四个通道，得到融合数据。
7.根据权利要求6所述的基于车载传感器数据融合的路面湿滑区域分割方法，其特征在于，所述S6具体包括：S601，基于跳跃连接结构设计分割模型的骨干网络，设计用于预测的第一分支和第二分支；S602，将所述骨干网络分别与所述第一分支和第二分支相连，以形成分割模型；S603，将已经采集的历史融合数据输入分割模型，以0.1学习速率和150迭代次数进行训练；S604，当训练完成后，删除第一分支的参数，保留用于路面湿滑区域分割的第二分支的参数。
8.根据权利要求7所述的基于车载传感器数据融合的路面湿滑区域分割方法，其特征在于，所述第一分支包括第一预测头和第一损失函数，用于增强对骨干网络参数训练；所述第二分支包括第二预测头和第二损失函数，用于训练所述分割模型的参数。
9.根据权利要求1所述的基于车载传感器数据融合的路面湿滑区域分割方法，其特征在于，所述S7中获得的融合数据为实时的融合数据。
10.根据权利要求1所述的基于车载传感器数据融合的路面湿滑区域分割方法，其特征在于，所述S1具体包括：在车辆上方安装激光雷达，在车辆内部前挡风玻璃上方安装相机；使用棋盘格标定法对相机进行标定以矫正畸变，使用Autoware标定工具箱对相机和激光雷达进行联合标定。
