Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 吉林大学朱冰获国家专利权

吉林大学朱冰获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉吉林大学申请的专利基于大模型知识引导的智能汽车关键场景优化生成方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN120144481B

龙图腾网通过国家知识产权局官网在2025-08-19发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202510622702.1,技术领域涉及:G06F11/3668;该发明授权基于大模型知识引导的智能汽车关键场景优化生成方法是由朱冰;汤瑞;赵健;张培兴;黄殷梓;李文旭;曹昕然;王帅;张锡智设计研发完成,并于2025-05-15向国家知识产权局提交的专利申请。

基于大模型知识引导的智能汽车关键场景优化生成方法在说明书摘要公布了:本发明属于自动驾驶汽车测试技术领域,具体的说是基于大模型知识引导的智能汽车关键场景优化生成方法。包括:S1、构建知识表达模块,从场景理论知识和场景探索知识两部分设计知识结果、大语言模型应用方式和动态更新过程;S2、构建参数优化模块,设计包含全局探索、局部寻优和空间剪枝多阶段寻优策略,与知识模型相融合;S3、搭建仿真测试模块,基于Carla仿真平台,通过LLM‑Agent构建场景搭建、待测系统、仿真执行、数据导出组件;S4、选型预训练大语言模型,设计选型指标并进行模型选取;S5、构建评价和记忆模块,对测试结果进行评价,存储所有测试和知识数据。本发明通过知识模型、大语言模型与优化搜索的互相结合,可以迅速生成智能汽车的关键场景。

本发明授权基于大模型知识引导的智能汽车关键场景优化生成方法在权利要求书中公布了:1.一种基于大模型知识引导的智能汽车关键场景优化生成方法,其特征在于,包括以下步骤: S1、构建知识表达模块,从场景理论知识和场景探索知识两部分设计知识结果、大语言模型应用方式和动态更新过程; S2、构建参数优化模块,设计包含全局探索、局部寻优和空间剪枝多阶段寻优策略,与知识模型相融合; S3、搭建仿真测试模块,基于Carla仿真平台,通过LLM-Agent构建场景搭建、待测系统、仿真执行、数据导出组件; S4、选型预训练大语言模型,设计选型指标并进行模型选取; S5、构建评价和记忆模块,对测试结果进行评价,并存储过程中的所有测试和知识数据; 其中,所述S1的具体方法如下: S11、建立场景理论知识,包含重要性、单调性和耦合性三部分; S111、建立重要性; 针对确定的自动驾驶系统,通过互相比较获取具体场景要素的重要性,从而构建要素重要性模型,具体为: S1111、LLM解析待测系统功能需求,通过自然语言推理生成要素两两比较语义描述,转换为判断矩阵; S1112、基于层次分析检验Agent进行判断,如果一致性比率即CR检验通过,则表明结果可用,保存到知识库中,供后续优化搜索使用,否则沿用之前的数值,CR的计算方法如下: 式中,RI为随机一致性指标,当CR小于0.1,认为矩阵具有满意的一致性;通过将AHP与LLM结合,自动生成并更新场景要素的重要性模型,量化各要素的影响,同时LLM根据后续优化过程中的参数灵敏度数据,动态调整判断矩阵元素值,形成闭环修正系统; S112、建立单调性; 通过LLM基于运动学方程和物理规律分析得出,用于指导测试边界的搜索过程,具体为: S1121、LLM基于物理运动学理论,初步判断场景要素的单调性等级; S1122、构建局部灵敏度分析方法即SA,根据离散差分近似计算偏导数: 测试数据与灵敏度分析结果再次提供给LLM,LLM基于测试数据生成修正后的单调性映射表; S113、建立耦合性; 通过系统工程中的耦合度理论分析要素间的相互依赖关系,由LLM完成,具体为: S1131、利用LLM对测试场景的理解能力,基于历史数据,建立要素间的耦合关系,对耦合性强度进行标注,以耦合度矩阵M表达,其中每个元素mij表示要素i与j间的耦合强度; S1132、在测试过程的每个阶段,利用相关性分析即CA计算各要素间的斯皮尔曼相关系数rs,量化要素间的非线性关联,提供给LLM,辅助LLM调整耦合关系进行,计算公式如下: 式中,di为两组排序数据之间的差异,x为样本数量;根据rs的值调整耦合度矩阵中的相应位置,以反映最新的非线性相关关系; S12、建立场景探索知识,包含空间区域特征、优解特征和收敛特征三部分; S121、对空间区域特征进行分析;将搜索空间分为未发掘部分和已发掘部分,具体为: S1211、LLM识别搜索过程中的空白区域,同时与后续的场景空间分区策略相结合,优化全局探索效率;在d维测试空间中,每个点Pi用向量xi1,xi2,...,xid表示,其中i=1,2,...,N,对于每个维度j∈{1,2,...,d},定义任意点到最近前向递推已知点的距离如下: 式中,Kj为确定为已经发掘区域内的点集在第j维度上的投影,设定阈值Rj,如果计算的距离结果小于Rj,则认为已经发掘;动态调整,LLM基于历史数据和理论模型自动识别和更新区域特征,从而实现加速测试过程中区域特征的动态更新; S122、对优解特征进行分析; 记录在优化过程中发现的关键场景要素的最优解信息;通过实时跟踪和分析各个要素区域的表现,保存全局最优解,当找到新的全局最优解gbi时,将全局最优解gbi加入集合中,设定最大容量Smax,当超过最大容量时,移除最早进入的元素; 同时,通过提示词设计,LLM推断出当前维度下的推荐取值,从而构建和动态更新优质解集合,利用LLM对知识的理解能力指导后续局部寻优过程;对优质解集合中的相应维度进行统计分析,获取均值和标准差: 计算结果用以辅助LLM的取值推荐过程; S123、评估优化搜索过程的效果,具体为: 所述S123的具体方法如下: S1231、LLM根据每次优化搜索过程中的关键场景数目以及粒子种群的收敛性判据,分析局部优化阶段是否能够持续发掘测试场景,或是否需要转入全局探索阶段; S1232、收敛性分析包括对优化算法的收敛速度Vt、稳定性σt和重复特征Dt进行量化评估,并根据评估结果调整优化策略,以保证搜索过程的全面性,为了辅助LLM分析,构建各指标计算公式如下: 式中,Ft+1为第t次迭代找到的关键场景数目;F0为初始粒子空间中的关键场景数目;为第t代所有粒子位置的平均值;d为粒子间的欧几里得距离; S13、设计知识构建与动态更新流程; 通过预设的提示词模板引导LLM生成上下文提示,以此动态更新知识表达模型,从而指导后续的决策和行动; S131、设计测试初始阶段,具体为: 测试初始阶段,基于测试场景相关理论和待测系统信息,构建初步的场景理论模型;将场景描述转换为提示词,并结合上下文信息,辅助LLM初始化构建理论知识模型; S132、设计优化过程,具体为: 在优化过程中,收集优化搜索过程的历史指令、种群变量状态、场景库数据及仿真测试结果,基于预设的涵盖优化搜索的关键概念、目标函数以及场景理论相关的提示词模板形成上下文信息;LLM基于当前上下文信息,调用对应的Agent计算工具,生成关于场景要素的重要性、单调性、耦合性知识,并据此动态更新场景理论知识;对于探索过程知识,记录区域特征、优解特征和收敛特征,并对LLM优解进行推断,保存为具体数值矩阵; S133、进行动态更新,具体为: 在每轮优化后,LLM不断接收新数据,通过SA、CA和AHPagent的协同工作,实现知识检验与灵敏度、相关性数据生成,辅助LLM学习并适应测试环境变化,调整知识表达模型;更新后的知识表达将指导后续参数优化模块中的智能体决策行为,决策结果再次反馈至系统,形成持续改进的闭环; 所述S2的具体方法如下: S21、对全局探索部分进行建模,具体为: S211、对于每个场景维度,判断每个维度的重要性及取值区间是否发生变化;如果是初次生成或者发生变化的维度,按照场景参数的具体取值、离散步长和重要性进行重新分区;如果没有发生变化,则无需再次分区; S212、在每个单维度分区内随机选择数据点,并组合生成采样空间; S213、在采样空间中采用随机采样方法选择所需样本; 所述S22的具体方法如下: S221、区域聚合; 首先利用区域特征、优解特征对全局探索模块划分的区域进行聚合,对各场景参数在各自划分区域内进行统计分析,从取值起点出发,将关键场景数量大于20%整体空间内关键场景数量的区域标记为核心区域;围绕核心区域中心定义分隔带,核心区域聚合后长度不超过该场景参数最小区域长度的3倍,对于非核心区域,以不超过最小区域5倍的长度进行聚合,长度大于核心区域; S222、粒子方程优化; 构建与重要性知识结果等值的重要性权值;LLM通过提示词给出推荐探索的最优解,引导粒子运动设计如下粒子运动方程: 式中,为时间步t时粒子i在第d个参数维度上的速度;ω为惯性权重;Id为第d个参数维度的重要性权值;c1为所在区域加速常数;c2为其他区域加速常数,所在区域和其他区域即为区域聚合后粒子所在的区域,综合多种区域有助于粒子快速收敛和掌握全局视野;c3为全局加速常数;c4为LLM加速常数;r1,r2,r3,r4为[0,1]之间的随机数,用于增加搜索的随机性;为当前粒子i在第d个参数维度上的位置;为当前粒子第d个参数维度在所在区域内的最优位置;为除粒子第d个参数维度所在区域外其他所有区域最优解的和;nd为粒子第d个参数维度上的聚合区域数目;为LLM分析给出的粒子第d个参数维度的最优解;为t+1时间步时的粒子位置;为计算得出的t+1时间步时的粒子速度; 所述S23的具体方法如下: S231、约束单调性; 对于已知具有单调性的参数,建立约束条件,排除根据单调性判断不可能包含更优解的区域; S232、分析耦合性; 针对参数间的耦合性,构建参数之间的相关性模型,利用模型判断无效的参数组合;在搜索过程中,当遇到某组参数值时,依据耦合性分析结果,剪掉在给定参数值下不可能产生更好解的参数空间区域; S233、设计剪枝缓冲带; 关键性最高的要素初始缓冲带最高,为要素在全局探索部分的区域宽度,其他要素缓冲带根据重要性等比例换算,每开始执行一次空间剪枝部分,将缓冲带宽度调整为上一轮的34; 所述S24的具体方法如下: 全局探索、局部寻优和空间剪枝三个模块的协同作用完成循环优化过程;全局探索部分在测试开始时以及优化陷入局部最优时调用,补充粒子群中的多样个体;局部寻优部分在每一轮寻优后判断是否循环轮数结束;每一轮寻优后判断是否循环轮数结束,如果没有结束则根据空间剪枝部分删减参数空间,排除非关键区域;进一步集成收敛性知识,如果收敛则转入全局探索部分生成新一轮探索结果,否则继续执行局部寻优部分;将语句逻辑转换为任务提示词,辅助LLM进行Agent调度和优化工作; S22、对局部寻优部分进行建模; S23、对空间剪枝部分进行建模; S24、设计优化执行过程。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人吉林大学,其通讯地址为:130012 吉林省长春市朝阳区前进大街2699号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。