1.一种方法，生成至少一个虚拟驾驶环境中的至少一个交通场景，其特征在于，包括：
步骤(a)，在获取参照之前交通数据和详细交通数据而生成的驾驶数据的状态下，交通场景生成装置执行如下的流程，即，通过向情况分析器输入上述驾驶数据来使上述情况分析器从上述驾驶数据抽取驾驶环境信息的流程，通过向车辆信息抽取器输入上述驾驶数据来使上述车辆信息抽取器从上述驾驶数据抽取与自主车辆有关的车辆状态信息的流程，参照上述驾驶环境信息和上述车辆状态信息来生成包含上述驾驶事件的基于驾驶序列的顺序性交通日志的流程，上述之前交通数据为与通过基于影像的高级驾驶辅助系统来从包括至少一个驾驶事件的至少一个现有驾驶影像抽取的离散交通数据相对应的元数据，上述详细交通数据为与从在实际驾驶环境中驾驶的一个以上的数据收集车辆的一个以上的传感器收集的顺序性交通数据相对应的元数据；以及
步骤(b)，上述交通场景生成装置通过向场景增强网络输入上述顺序性交通日志，来使上述场景增强网络将至少一个关键事件利用成至少一个条件，以使上述顺序性交通日志与上述关键事件的事件驾驶环境相对应的方式对上述顺序性交通日志进行增强，从而执行如下的流程，即，生成上述交通场景的流程，参照预设的参照交通信息来检验上述交通场景的流程，在确定为上述交通场景有效的情况下将上述交通场景映射到虚拟驾驶环境的交通模拟器的流程。
2.根据权利要求1所述的方法，其特征在于，在包括长短时记忆的生成器将上述顺序性交通日志中的初始交通日志设定成以对上述长短时记忆中的初始长短时记忆的之后动作进行获取为目的而用到的上述生成器的状态的情况下，上述交通场景生成装置使上述场景增强网络通过上述生成器来将预测交通日志生成为与之相对应的之后动作，由此通过上述生成器生成上述交通场景，并使上述初始交通日志之后的上述预测交通日志以与上述事件驾驶环境相对应的方式得到增强。
3.根据权利要求2所述的方法，其特征在于，上述交通场景生成装置执行如下的流程：
以使辨别器对上述顺序性交通日志与上述预测交通日志之间进行区分的方式使上述辨别器进行学习；以及
通过策略梯度来使上述生成器的至少一个参数达到最佳化，上述策略梯度利用参照上述顺序性交通日志、上述预测交通日志及上述条件来生成的上述辨别器的至少一个奖励。
4.根据权利要求1所述的方法，其特征在于，在上述步骤(b)中，若确定为上述交通场景无效，则上述交通场景生成装置参照进行检验的上述流程来变更上述条件，由此生成至少一个变更后的条件，通过使上述场景增强网络利用上述变更后的条件来对上述顺序性交通日志进行增强，从而生成新的交通场景。
5.根据权利要求1所述的方法，其特征在于，上述交通场景生成装置从顺序性数据抽取上述关键事件，或从关键事件数据库抽取上述关键事件。
6.根据权利要求1所述的方法，其特征在于，上述顺序性交通日志分别包含至少一个对象的数量、上述对象的位置、至少一个行人的数量、上述行人的位置、上述对象的至少一个轨迹及交通信号变化信息。
7.根据权利要求1所述的方法，其特征在于，上述基于影像的高级驾驶辅助系统执行利用上述现有驾驶影像的对象检测、距离预测、交通标志识别、车道检测、车道线检测、碰撞时间预测以及相对速度预测中的至少一个。
8.根据权利要求1所述的方法，其特征在于，上述车辆状态信息包含上述自主车辆的速度、上述自主车辆的加速度、上述自主车辆的方向盘状态、上述自主车辆的油门位置及上述自主车辆的制动器状态中的至少一个。
9.一种交通场景生成装置，用于生成至少一个虚拟驾驶环境中的至少一个交通场景，其特征在于，包括：
至少一个存储器，用于存储指令；以及
至少一个处理器，运行用于执行流程(i)及流程(ii)的上述指令，在上述流程(i)中，在获取参照之前交通数据和详细交通数据而生成的驾驶数据的状态下，通过向情况分析器输入上述驾驶数据来使上述情况分析器从上述驾驶数据抽取驾驶环境信息的流程，通过向车辆信息抽取器输入上述驾驶数据来使上述车辆信息抽取器从上述驾驶数据抽取与自主车辆有关的车辆状态信息的流程，参照上述驾驶环境信息和上述车辆状态信息来生成包含上述驾驶事件的基于驾驶序列的顺序性交通日志的流程，上述之前交通数据为与通过基于影像的高级驾驶辅助系统来从包括至少一个驾驶事件的至少一个现有驾驶影像抽取的离散交通数据相对应的元数据，上述详细交通数据为与从在实际驾驶环境中驾驶的一个以上的数据收集车辆的一个以上的传感器收集的顺序性交通数据相对应的元数据，在上述流程(ii)中，通过向场景增强网络输入上述顺序性交通日志，来使上述场景增强网络将至少一个关键事件利用成至少一个条件，以使上述顺序性交通日志与上述关键事件的事件驾驶环境相对应的方式对上述顺序性交通日志进行增强，从而执行如下的流程，即，生成上述交通场景的流程，参照预设的参照交通信息来检验上述交通场景的流程，在确定为上述交通场景有效的情况下将上述交通场景映射到虚拟驾驶环境的交通模拟器的流程。
10.根据权利要求9所述的交通场景生成装置，其特征在于，在包括长短时记忆的生成器将上述顺序性交通日志中的初始交通日志设定成以对上述长短时记忆中的初始长短时记忆的之后动作进行获取为目的而用到的上述生成器的状态的情况下，上述处理器使上述场景增强网络通过上述生成器来将预测交通日志生成为与之相对应的之后动作，由此通过上述生成器生成上述交通场景，并使上述初始交通日志之后的上述预测交通日志以与上述事件驾驶环境相对应的方式得到增强。
11.根据权利要求10所述的交通场景生成装置，其特征在于，上述处理器执行如下的流程：
以使辨别器对上述顺序性交通日志与上述预测交通日志之间进行区分的方式使上述辨别器进行学习；以及
通过策略梯度来使上述生成器的至少一个参数达到最佳化，上述策略梯度利用参照上述顺序性交通日志、上述预测交通日志及上述条件来生成的上述辨别器的至少一个奖励。
12.根据权利要求9所述的交通场景生成装置，其特征在于，在上述流程(ii)中，若确定为上述交通场景无效，则上述处理器参照进行检验的上述流程来变更上述条件，由此生成至少一个变更后的条件，通过使上述场景增强网络利用上述变更后的条件来对上述顺序性交通日志进行增强，从而生成新的交通场景。
13.根据权利要求9所述的交通场景生成装置，其特征在于，上述处理器从顺序性数据抽取上述关键事件，或从关键事件数据库抽取上述关键事件。
14.根据权利要求9所述的交通场景生成装置，其特征在于，上述顺序性交通日志分别包含至少一个对象的数量、上述对象的位置、至少一个行人的数量、上述行人的位置、上述对象的至少一个轨迹及交通信号变化信息。
15.根据权利要求9所述的交通场景生成装置，其特征在于，上述基于影像的高级驾驶辅助系统执行利用上述现有驾驶影像的对象检测、距离预测、交通标志识别、车道检测、车道线检测、碰撞时间预测以及相对速度预测中的至少一个。
16.根据权利要求9所述的交通场景生成装置，其特征在于，上述车辆状态信息包含上述自主车辆的速度、上述自主车辆的加速度、上述自主车辆的方向盘状态、上述自主车辆的油门位置及上述自主车辆的制动器状态中的至少一个。