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一种大模型驱动的智能汽车测试场景类人评价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：CN120145204B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202510630192.2，技术领域涉及：G06F18/2415；该发明授权一种大模型驱动的智能汽车测试场景类人评价方法是由朱冰;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2025-05-16向国家知识产权局提交的专利申请。

本一种大模型驱动的智能汽车测试场景类人评价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，具体的说是一种大模型驱动的智能汽车测试场景类人评价方法。包括以下步骤：S1、数据采集与处理；S2、生理信号预测；S3、评价词元匹配；S4、评价总结生成；本发明通过多工况数据采集、生理信号预测、评价词元匹配、多词元归纳总结，最终实现测试场景关键性的多维度类人评价输出，在实际应用时可以有效提高评价精度并降低数据采集与实验成本。

本发明授权一种大模型驱动的智能汽车测试场景类人评价方法在权利要求书中公布了：1.一种大模型驱动的智能汽车测试场景类人评价方法，其特征在于，包括以下步骤： S1、数据采集与处理； 设计采集工况，搭建采集设备，在试验场地进行数据采集，并进行初步数据处理； S2、生理信号预测； 对数据进行相关性分析，结合数据特征进行分级处理，设计生理信号预测模型架构，并进行模型训练；具体如下： S21、数据相关性分析；具体为： S211、基于时延因果推断的特征筛选框架，通过融合交叉相关性分析与格兰杰因果检验，实现动力学特征对生理响应的可解释性映射建模； S212、采用滑动窗口交叉相关算法量化动态关联强度，设底盘数据为Xt，生理数据为Yt，滞后τ的交叉相关系数定义为： 通过遍历τ∈[-T,T]的滞后时间窗口，提取最大相关系数ρmax及对应的滞后时间τmax，表征两信号的最佳对齐状态；通过人类神经传导延迟、视觉暂留等相关研究，将时间T设定为300ms； S213、构建双变量向量自回归模型，假设底盘数据Xt对生理数据Yt存在因果影响，建立两阶回归方程： 通过F检验比较约束模型与非约束模型的残差平方和，若统计量满足： 则拒绝原假设，判定Xt为Yt的格兰杰原因；并采用ADF检验验证时间序列平稳性，对非平稳数据进行一阶差分或对数变换处理； S214、基于双阈值机制融合两类分析结果：1交叉相关性分析时，保留交叉相关系数且滞后时间在滞后窗口内的特征数据；2格兰杰因果检验时，剔除仅具统计相关性但无因果解释力的特征；最终选择出的数据为：ECG_rate,ECG_quality,EDA_clean,EDA_phasic,EMG_Amplitude,EMG_Activity； S22、数据特征分级处理；具体为： 以每个工况下的初始状态Xinitial和峰值状态Xmax为基准，计算时序窗口内数据极值Xpeak的相对变化百分比，并且按照相对变化百分比大小进行数据分级； S23、预测模型架构设计与训练；具体为： S231、设计一种基于时序图注意力网络和Transformer模型的级联预测方法；包括四个部分：图网络转换、时序特征压缩、图注意力提取和Transformer预测； S232、首先，构建全连接的图结构表征传感器或测量点之间的关系，每个底盘动力学的数据点被视为图中的一个节点；其次，将整个时间序列划分为固定长度的时间窗口，并在每个时间步上应用图卷积操作；在每个窗口内应用降噪和平滑处理；引入带有注意力机制的图卷积层，为每一对节点间的边分配可学习的注意力系数，动态学习节点间的重要性权重；最后，将处理得到的紧凑且富含语义的特征表示被送入基于Transformer的编码器中进行进一步处理；Transformer采用自注意力机制；最终，通过全连接层输出每个时间步的预测结果，完成了从输入到输出的端到端映射； S3、评价词元匹配； 对评价文本数据进行处理，构建词元图谱，对时序数据进行特征处理，设计词元匹配模型架构，并进行模型训练；具体如下： S31、词元图谱框架构建；具体为： 基于知识图谱技术构建多维度驾驶评价体系；通过车载数据采集系统同步记录驾驶员在典型工况下的实时语音评价与最终总结反馈，结合车辆动力学参数及生理信号，形成可解释的语义映射网络；通过对评价文本的归纳与标准化处理，最终形成分类体系，包含生理感受和底盘响应两部分；生理感受包含驾乘体验、身体感受两方面；底盘响应包含动力响应、转向特性、制动表现和悬架反馈四部分； S32、数据集构建；具体为： S321、设计专门的提示词； S322、在采集过程中，要求驾驶员在每个时间节点上进行实时评价输出，并在测试结束后给出最终总结；所有采集的数据都需要进行时间同步，确保每条记录都有统一的时间戳；随后，对原始文本数据进行NLP预处理步骤，并将驾驶员的评价数据映射到对应的时间维度上；利用全局时间将评价词元和时序数据进行精确匹配；采用滑动窗口法，构建连续的“提示词-底盘动力学-生理数据-评价词元”组合数据集；每个窗口内的数据代表一个时间段内的完整信息； S323、引入特征增强策略，首先提取统计特征，计算窗口内数据的均值、方差、最大值、最小值；之后通过移动平均方法计算数据的变化趋势，具体过程如下：对于确定的标准化后的多维时序数据，以数据长度的30％、70％、100％为数据分断点，分别计算各阶段数据的平均值SMA，将SMA变化大于0.1视为上升，小于-0.1视为下降，之间视为平稳，从而将时序数据转换为变化趋势的语义描述，包含上升、下降、平稳、先上升后下降、先上升后平稳、先下降后上升、先下降后平稳、先平稳后上升、先平稳后下降9种； S33、模型设计与训练；具体为： S331、首先进行时序特征压缩，通过1D卷积层和全局最大池化层将多维时序数据压缩为256维特征向量，随后将与结构化提示文本联合输入BERT-base模型生成768维语义表征；在BERT标记输出层后添加6个独立的分类头，分别对应身体感受、情感反应、动力响应、转向特性、制动表现和悬架反馈；每个分类头都在BERT的最后一层隐藏状态之上增加全连接层，并应用softmax激活函数生成各个类别的概率分布；训练过程中，使用交叉熵损失函数作为优化目标，输入数据经过BERT编码后，会被传递给各自的分类头，进而产生每个类别的预测概率；预测概率值用于计算损失，并指导反向传播过程中的梯度更新； S332、设计加权损失函数，基于各类别的出现频率，为每个类别分配权重，权重根据数据集中各类别的出现频率计算，计算方法如下： 式中，Ni为第i个子类的总样本数；Ci为该子类下的词元类别数；Nij为子类下第j个词元出现的次数； S333、定义AdamW优化器并采用权重衰减策略避免过拟合，引入线性预热和余弦退火的学习率调度器帮助模型更稳定地收敛，设置最大梯度范数限制防止梯度爆炸问题；在每个epoch中遍历训练数据加载器，批量处理输入数据并计算损失值，应用梯度累积技术提高小批次训练的效果，并定期评估验证集上的表现；如果连续3个batch未见性能提升，则提前终止；通过设计与训练过程，BERT模型通过特征融合与语义映射，将动力学参数和生理信号转化为符合人类认知的词元输出； S4、评价总结生成； 选型大语言模型，构建文本知识库，并开发多反思机制，构建词元总结评价模型。

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”。