買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉吉林大學(xué)申請的專利一種大模型驅(qū)動的智能汽車測試場景類人評價(jià)方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN120145204B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-23發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510630192.2，技術(shù)領(lǐng)域涉及：G06F18/2415；該發(fā)明授權(quán)一種大模型驅(qū)動的智能汽車測試場景類人評價(jià)方法是由朱冰;湯瑞;趙健;張培興;黃殷梓;李文旭;曹昕然;王帥;張錫智設(shè)計(jì)研發(fā)完成，并于2025-05-16向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種大模型驅(qū)動的智能汽車測試場景類人評價(jià)方法在說明書摘要公布了：本發(fā)明屬于自動駕駛汽車測試技術(shù)領(lǐng)域，具體的說是一種大模型驅(qū)動的智能汽車測試場景類人評價(jià)方法。包括以下步驟：S1、數(shù)據(jù)采集與處理；S2、生理信號預(yù)測；S3、評價(jià)詞元匹配；S4、評價(jià)總結(jié)生成；本發(fā)明通過多工況數(shù)據(jù)采集、生理信號預(yù)測、評價(jià)詞元匹配、多詞元?dú)w納總結(jié)，最終實(shí)現(xiàn)測試場景關(guān)鍵性的多維度類人評價(jià)輸出，在實(shí)際應(yīng)用時(shí)可以有效提高評價(jià)精度并降低數(shù)據(jù)采集與實(shí)驗(yàn)成本。

本發(fā)明授權(quán)一種大模型驅(qū)動的智能汽車測試場景類人評價(jià)方法在權(quán)利要求書中公布了：1.一種大模型驅(qū)動的智能汽車測試場景類人評價(jià)方法，其特征在于，包括以下步驟： S1、數(shù)據(jù)采集與處理； 設(shè)計(jì)采集工況，搭建采集設(shè)備，在試驗(yàn)場地進(jìn)行數(shù)據(jù)采集，并進(jìn)行初步數(shù)據(jù)處理； S2、生理信號預(yù)測； 對數(shù)據(jù)進(jìn)行相關(guān)性分析，結(jié)合數(shù)據(jù)特征進(jìn)行分級處理，設(shè)計(jì)生理信號預(yù)測模型架構(gòu)，并進(jìn)行模型訓(xùn)練；具體如下： S21、數(shù)據(jù)相關(guān)性分析；具體為： S211、基于時(shí)延因果推斷的特征篩選框架，通過融合交叉相關(guān)性分析與格蘭杰因果檢驗(yàn)，實(shí)現(xiàn)動力學(xué)特征對生理響應(yīng)的可解釋性映射建模； S212、采用滑動窗口交叉相關(guān)算法量化動態(tài)關(guān)聯(lián)強(qiáng)度，設(shè)底盤數(shù)據(jù)為Xt，生理數(shù)據(jù)為Yt，滯后τ的交叉相關(guān)系數(shù)定義為： 通過遍歷τ∈[-T,T]的滯后時(shí)間窗口，提取最大相關(guān)系數(shù)ρmax及對應(yīng)的滯后時(shí)間τmax，表征兩信號的最佳對齊狀態(tài)；通過人類神經(jīng)傳導(dǎo)延遲、視覺暫留等相關(guān)研究，將時(shí)間T設(shè)定為300ms； S213、構(gòu)建雙變量向量自回歸模型，假設(shè)底盤數(shù)據(jù)Xt對生理數(shù)據(jù)Yt存在因果影響，建立兩階回歸方程： 通過F檢驗(yàn)比較約束模型與非約束模型的殘差平方和，若統(tǒng)計(jì)量滿足： 則拒絕原假設(shè)，判定Xt為Yt的格蘭杰原因；并采用ADF檢驗(yàn)驗(yàn)證時(shí)間序列平穩(wěn)性，對非平穩(wěn)數(shù)據(jù)進(jìn)行一階差分或?qū)?shù)變換處理； S214、基于雙閾值機(jī)制融合兩類分析結(jié)果：1交叉相關(guān)性分析時(shí)，保留交叉相關(guān)系數(shù)且滯后時(shí)間在滯后窗口內(nèi)的特征數(shù)據(jù)；2格蘭杰因果檢驗(yàn)時(shí)，剔除僅具統(tǒng)計(jì)相關(guān)性但無因果解釋力的特征；最終選擇出的數(shù)據(jù)為：ECG_rate,ECG_quality,EDA_clean,EDA_phasic,EMG_Amplitude,EMG_Activity； S22、數(shù)據(jù)特征分級處理；具體為： 以每個工況下的初始狀態(tài)Xinitial和峰值狀態(tài)Xmax為基準(zhǔn)，計(jì)算時(shí)序窗口內(nèi)數(shù)據(jù)極值Xpeak的相對變化百分比，并且按照相對變化百分比大小進(jìn)行數(shù)據(jù)分級； S23、預(yù)測模型架構(gòu)設(shè)計(jì)與訓(xùn)練；具體為： S231、設(shè)計(jì)一種基于時(shí)序圖注意力網(wǎng)絡(luò)和Transformer模型的級聯(lián)預(yù)測方法；包括四個部分：圖網(wǎng)絡(luò)轉(zhuǎn)換、時(shí)序特征壓縮、圖注意力提取和Transformer預(yù)測； S232、首先，構(gòu)建全連接的圖結(jié)構(gòu)表征傳感器或測量點(diǎn)之間的關(guān)系，每個底盤動力學(xué)的數(shù)據(jù)點(diǎn)被視為圖中的一個節(jié)點(diǎn)；其次，將整個時(shí)間序列劃分為固定長度的時(shí)間窗口，并在每個時(shí)間步上應(yīng)用圖卷積操作；在每個窗口內(nèi)應(yīng)用降噪和平滑處理；引入帶有注意力機(jī)制的圖卷積層，為每一對節(jié)點(diǎn)間的邊分配可學(xué)習(xí)的注意力系數(shù)，動態(tài)學(xué)習(xí)節(jié)點(diǎn)間的重要性權(quán)重；最后，將處理得到的緊湊且富含語義的特征表示被送入基于Transformer的編碼器中進(jìn)行進(jìn)一步處理；Transformer采用自注意力機(jī)制；最終，通過全連接層輸出每個時(shí)間步的預(yù)測結(jié)果，完成了從輸入到輸出的端到端映射； S3、評價(jià)詞元匹配； 對評價(jià)文本數(shù)據(jù)進(jìn)行處理，構(gòu)建詞元圖譜，對時(shí)序數(shù)據(jù)進(jìn)行特征處理，設(shè)計(jì)詞元匹配模型架構(gòu)，并進(jìn)行模型訓(xùn)練；具體如下： S31、詞元圖譜框架構(gòu)建；具體為： 基于知識圖譜技術(shù)構(gòu)建多維度駕駛評價(jià)體系；通過車載數(shù)據(jù)采集系統(tǒng)同步記錄駕駛員在典型工況下的實(shí)時(shí)語音評價(jià)與最終總結(jié)反饋，結(jié)合車輛動力學(xué)參數(shù)及生理信號，形成可解釋的語義映射網(wǎng)絡(luò)；通過對評價(jià)文本的歸納與標(biāo)準(zhǔn)化處理，最終形成分類體系，包含生理感受和底盤響應(yīng)兩部分；生理感受包含駕乘體驗(yàn)、身體感受兩方面；底盤響應(yīng)包含動力響應(yīng)、轉(zhuǎn)向特性、制動表現(xiàn)和懸架反饋四部分； S32、數(shù)據(jù)集構(gòu)建；具體為： S321、設(shè)計(jì)專門的提示詞； S322、在采集過程中，要求駕駛員在每個時(shí)間節(jié)點(diǎn)上進(jìn)行實(shí)時(shí)評價(jià)輸出，并在測試結(jié)束后給出最終總結(jié)；所有采集的數(shù)據(jù)都需要進(jìn)行時(shí)間同步，確保每條記錄都有統(tǒng)一的時(shí)間戳；隨后，對原始文本數(shù)據(jù)進(jìn)行NLP預(yù)處理步驟，并將駕駛員的評價(jià)數(shù)據(jù)映射到對應(yīng)的時(shí)間維度上；利用全局時(shí)間將評價(jià)詞元和時(shí)序數(shù)據(jù)進(jìn)行精確匹配；采用滑動窗口法，構(gòu)建連續(xù)的“提示詞-底盤動力學(xué)-生理數(shù)據(jù)-評價(jià)詞元”組合數(shù)據(jù)集；每個窗口內(nèi)的數(shù)據(jù)代表一個時(shí)間段內(nèi)的完整信息； S323、引入特征增強(qiáng)策略，首先提取統(tǒng)計(jì)特征，計(jì)算窗口內(nèi)數(shù)據(jù)的均值、方差、最大值、最小值；之后通過移動平均方法計(jì)算數(shù)據(jù)的變化趨勢，具體過程如下：對于確定的標(biāo)準(zhǔn)化后的多維時(shí)序數(shù)據(jù)，以數(shù)據(jù)長度的30％、70％、100％為數(shù)據(jù)分?jǐn)帱c(diǎn)，分別計(jì)算各階段數(shù)據(jù)的平均值SMA，將SMA變化大于0.1視為上升，小于-0.1視為下降，之間視為平穩(wěn)，從而將時(shí)序數(shù)據(jù)轉(zhuǎn)換為變化趨勢的語義描述，包含上升、下降、平穩(wěn)、先上升后下降、先上升后平穩(wěn)、先下降后上升、先下降后平穩(wěn)、先平穩(wěn)后上升、先平穩(wěn)后下降9種； S33、模型設(shè)計(jì)與訓(xùn)練；具體為： S331、首先進(jìn)行時(shí)序特征壓縮，通過1D卷積層和全局最大池化層將多維時(shí)序數(shù)據(jù)壓縮為256維特征向量，隨后將與結(jié)構(gòu)化提示文本聯(lián)合輸入BERT-base模型生成768維語義表征；在BERT標(biāo)記輸出層后添加6個獨(dú)立的分類頭，分別對應(yīng)身體感受、情感反應(yīng)、動力響應(yīng)、轉(zhuǎn)向特性、制動表現(xiàn)和懸架反饋；每個分類頭都在BERT的最后一層隱藏狀態(tài)之上增加全連接層，并應(yīng)用softmax激活函數(shù)生成各個類別的概率分布；訓(xùn)練過程中，使用交叉熵?fù)p失函數(shù)作為優(yōu)化目標(biāo)，輸入數(shù)據(jù)經(jīng)過BERT編碼后，會被傳遞給各自的分類頭，進(jìn)而產(chǎn)生每個類別的預(yù)測概率；預(yù)測概率值用于計(jì)算損失，并指導(dǎo)反向傳播過程中的梯度更新； S332、設(shè)計(jì)加權(quán)損失函數(shù)，基于各類別的出現(xiàn)頻率，為每個類別分配權(quán)重，權(quán)重根據(jù)數(shù)據(jù)集中各類別的出現(xiàn)頻率計(jì)算，計(jì)算方法如下： 式中，Ni為第i個子類的總樣本數(shù)；Ci為該子類下的詞元類別數(shù)；Nij為子類下第j個詞元出現(xiàn)的次數(shù)； S333、定義AdamW優(yōu)化器并采用權(quán)重衰減策略避免過擬合，引入線性預(yù)熱和余弦退火的學(xué)習(xí)率調(diào)度器幫助模型更穩(wěn)定地收斂，設(shè)置最大梯度范數(shù)限制防止梯度爆炸問題；在每個epoch中遍歷訓(xùn)練數(shù)據(jù)加載器，批量處理輸入數(shù)據(jù)并計(jì)算損失值，應(yīng)用梯度累積技術(shù)提高小批次訓(xùn)練的效果，并定期評估驗(yàn)證集上的表現(xiàn)；如果連續(xù)3個batch未見性能提升，則提前終止；通過設(shè)計(jì)與訓(xùn)練過程，BERT模型通過特征融合與語義映射，將動力學(xué)參數(shù)和生理信號轉(zhuǎn)化為符合人類認(rèn)知的詞元輸出； S4、評價(jià)總結(jié)生成； 選型大語言模型，構(gòu)建文本知識庫，并開發(fā)多反思機(jī)制，構(gòu)建詞元總結(jié)評價(jià)模型。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人吉林大學(xué)，其通訊地址為：130012 吉林省長春市朝陽區(qū)前進(jìn)大街2699號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。