文章核心内容与创新点总结一、主要内容本文聚焦驾驶风格识别领域，针对现有系统依赖低级传感器特征、与人类专家判断存在偏差的问题，提出了一种融合大语言模型（LLMs）语义特权信息（SPI）的新框架——LUSPI（Learning Using Semantic Privileged Information），具体内容如下：核心框架构成：LUSPI包含三大核心模块。一是DriBehavGPT，基于LLM（如GPT-4o），通过结构化提示工程和思维链（Chain-of-Thought）推理，将车辆传感器数据（如速度、加速度、相对距离等）自动生成为类专家的驾驶行为自然语言描述；二是嵌入（Embedding）模块，利用SentenceTransformers将文本描述转化为向量表示，并通过UMAP降维，得到可用于机器学习的语义特权信息；三是LUPI模块，采用支持向量机增强版（SVM+），在训练阶段融入语义特权信息，推理阶段仅依赖传感器数据，兼顾识别精度与计算效率。数据与实验设计：实验覆盖跟车（car-following）和换道（lane-changing）两种真实驾驶场景。跟车数据来自中国长春40.2公里高速公路的100名驾驶员实测，换道数据源于公开的highD数据集，最终分别得到628个跟车片段和633个换道片段；采用“规则+聚类+人工”三阶段标注法，将驾驶风格分为激进（aggressive）、温和（moderate）、保守（conservative）三类；以传统SVM为基线模型，通过精度（Precision）、召回率（Recall）、F₁分数、准确率（Acc