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！

龙图腾网获悉南京理工大学申请的专利基于多场景数据平衡的自动驾驶大模型训练优化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：CN120494041B 。

龙图腾网通过国家知识产权局官网在2025-10-21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：202510999049.0，技术领域涉及：G06N3/096；该发明授权基于多场景数据平衡的自动驾驶大模型训练优化方法是由严永俊;都超;皮大伟;刘翼;王洪亮;孙晓旺;王霞设计研发完成，并于2025-07-21向国家知识产权局提交的专利申请。

本基于多场景数据平衡的自动驾驶大模型训练优化方法在说明书摘要公布了：本发明为基于多场景数据平衡的自动驾驶大模型训练优化方法。包括如下步骤：1构建实车高速行驶场景库；2构建视觉语言自动驾驶大模型，基于实车高速行驶场景库，采用迭代式训练框架训练，设计多任务联合损失函数及权重自适应调整策略，实现多任务目标平衡，得到训练后的视觉语言自动驾驶大模型；3针对自动驾驶工况进行动力学仿真，基于仿真数据，构建高保真仿真数据测试集；4根据高保真仿真数据测试集对训练后的视觉语言自动驾驶大模型、进行超参数优化以及轻量化处理，得到场景数据平衡的自动驾驶大模型。本发明实现大模型推理速度加快及资源占用降低，从而显著提升大模型对动态工况及高风险场景的判别能力。

本发明授权基于多场景数据平衡的自动驾驶大模型训练优化方法在权利要求书中公布了：1.基于多场景数据平衡的自动驾驶大模型训练优化方法，其特征在于，包括如下步骤： 步骤1：采集驾驶数据，采用深度学习模型对驾驶数据进行多维特征提取，利用分层聚类算法对实车驾驶数据进行场景分层，并嵌入信息熵加权机制针对高危、长尾场景数据进行权重调整，实现场景增强，构建数据增强的实车高速行驶场景库； 步骤2：构建视觉语言自动驾驶大模型，基于实车高速行驶场景库，采用迭代式训练框架训练，设计多任务联合损失函数及权重自适应调整策略，实现多任务目标平衡，得到训练后的视觉语言自动驾驶大模型；步骤2包括如下步骤： 步骤21：设计交通场景与驾驶决策生成联合损失函数，表示为： 其中，为整体联合损失函数，用于指导模型参数θ的更新；n为任务总数；λi′为第i′个任务的权重系数，用于平衡各任务的重要性；为第i′个任务的损失函数，依赖于当前模型参数θ；通过将各任务损失函数以权重加权求和，形成统一的损失目标，为大模型训练提供整体指导； 步骤22：设计任务权重自适应调整策略，为动态平衡各任务在训练中的贡献，根据当前迭代的表现，设计如下权重更新公式： 其中，n为任务总数，为整体联合损失函数，β表示一个超参数，用于控制损失值对权重的敏感程度，h′表示每一个任务的索引； 步骤23：引入了迭代训练机制，并在每个迭代周期中加入场景均衡数据作为反馈；持续优化模型参数，通过反馈数据帮助模型及时纠正对复杂场景的识别偏差；在每一轮迭代中，利用联合损失函数更新模型参数，采用梯度下降方法更新参数，公式如下： 其中，表示第t次迭代时的模型参数，η表示学习率，控制参数更新的步长，表示联合损失函数相对于参数的梯度； 总损失函数包含两部分：联合损失函数和基于场景均衡数据的反馈损失函数 其中，Dbalance表示数据增强后的场景均衡数据集的大小；x′为输入数据，Ψ′为每个场景对应的真实标签，表示模型在参数下对输入x′的预测，表示用于衡量预测误差的损失函数，γ是控制反馈损失在总损失中比例的超参数； 步骤24：在每次迭代中，根据当前的总损失计算梯度，并更新模型参数θ；同时利用场景均衡数据集样本数Dbalance计算反馈损失Lfeedback，帮助大模型关注复杂场景中的细节；迭代过程不断重复，使大模型在自适应多任务学习和场景均衡反馈的双重机制下，逐步提升对各种复杂场景的判别能力； 步骤3：针对自动驾驶车辆高速行驶中的直线、转弯、紧急制动、变道超车和匝道合流工况，进行动力学仿真；基于仿真数据，结合物理引擎和数字孪生构建高保真仿真数据测试集； 步骤4：根据步骤3的高保真仿真数据测试集对步骤2得到的训练后的视觉语言自动驾驶大模型、进行超参数优化以及轻量化处理，得到场景数据平衡的自动驾驶大模型。

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南京理工大学，其通讯地址为：210094 江苏省南京市玄武区孝陵卫200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”。

以上内容由龙图腾AI智能生成。