1.一种基于大模型协同决策的驾驶员异常监测系统，其特征在于，包括：多路摄像头、语音交互模块、DTOPA视觉预对齐模块、Qwen‑Apan轻量化语言推理模块、协同决策模块、安全响应控制模块；其中，多路摄像头用于实时提取车内环境视频流；语音交互模块用于对驾驶员进行提醒，并与驾驶员进行交互，最终将结果反馈给整个系统作为决策的一部分；

DTOPA视觉预对齐模块用于将视频流转化为结构化文本描述；Qwen‑Apan轻量化语言推理模块用于对文本描述进行语义分析和异常风险评估；协同决策模块用于基于风险评估结果触发语音交互及车辆控制指令；安全响应控制模块用于执行靠边停车、紧急联系人通知或多级预警操作；其中，协同决策模块具体如下：定义驾驶员状态理解指标DSU；根据异常等级触发三级响应：语音提醒、紧急联系人通知、辅助靠边停车；其中，DSU公式如下：；

其中，wrisk是风险加权函数； 表示驾驶员状态描述准确率，groundtruthi为第i个样本的基础事实，包含车内场景，驾驶员状态，风险等级信息事实，N为测试样本总数即正整数，α为描述准确率权重系数，控制描述准确率在总评估中的重要性，β为状态分类准确率权重系数，控制分类准确率在总评估中的重要性，i为从1到N的样本索引； 表示驾驶员状态分类准确率，其计算公式分别如下：；

；

其中， 表示DTOPA生成的第i个驾驶员状态描述， 表示数据集标注的标准描述；

ROUGE‑L表示最长公共子序列比例， 表示第j个驾驶员状态描述中是否提到相应标签； 表示真实的驾驶员状态标签， 、均表示测试样本总数；j为从1到M的分类样本索引。

2.根据权利要求1所述的一种基于大模型协同决策的驾驶员异常监测系统，其特征在于，DTOPA视觉预对齐模块具体如下：采用多模态数据增强策略，生成驾驶文本视频DTV数据集，模拟真实视频时序特性；使用CLIP‑ViT‑L模型对齐图像与文本特征；通过视觉能力内化技术剔除CLIP依赖，采用多尺度卷积嵌入与模态自适应归一化。

3.根据权利要求2所述的一种基于大模型协同决策的驾驶员异常监测系统，其特征在于，多模态数据增强策略具体如下：采用LLM自动生成多模态预训练数据，创建包含文本视频及其关联注释的大规模驾驶文本视频DTV数据集。

4.根据权利要求1所述的一种基于大模型协同决策的驾驶员异常监测系统，其特征在于，Qwen‑Apan轻量化语言推理模块具体如下：采用GPTQ‑Int8量化方案压缩模型权重；基于注意力熵动态分配KV缓存。

5.根据权利要求4所述的一种基于大模型协同决策的驾驶员异常监测系统，其特征在于，通过模拟莲峰角蟾的多样化行为模式，设计AdamH优化器，实现多策略协同模块的参数优化。

6.根据权利要求5所述的一种基于大模型协同决策的驾驶员异常监测系统，其特征在于，引入CH混沌映射初始化参数，融合莲峰角蟾行为模式即觅食、防御、逃逸、社交更新梯度方向；其中，CH混沌映射初始化参数公式如下：；

式中，α≥0，β≥0且α+β≤1，u∈[0,4]，γ∈[2.5,3.0]，都是映射控制参数，zi为当前混沌状态值，zi+1为 CH混沌映射输出的下一状态值，且满足zi+1∈[0,1]；wi为用于生成混沌序列的第i次迭代的中间权重值；λ为插值参数，控制确定性成分与随机成分的平衡；r为随机因子，引入随机扰动以增强遍历性；π为圆周率，约等于3.14159；sin为正弦函数，cos为余弦函数，| |为绝对值函数，确保输出为非负值。

7.一种驾驶员异常监测方法，采用权利要求1所述的一种基于大模型协同决策的驾驶员异常监测系统实现，其特征在于，包括以下步骤：（1）通过多路摄像头以25FPS采集车内视频流；

（2）利用DTOPA模型实时生成场景文本描述；

（3）利用Qwen‑Apan模型解析文本并输出风险评估；

（4）若检测异常，启动语音交互确认状态；

（5）根据交互结果执行安全响应操作。

8.根据权利要求7所述的一种驾驶员异常监测方法，其特征在于，步骤（1）中，采用多模态数据增强策略，生成驾驶文本视频DTV数据集。

9.根据权利要求7所述的一种驾驶员异常监测方法，其特征在于，步骤（2）中采用21秒滑动窗口机制，随机抽取20帧组成分析批次，通过WebSocket传输压缩帧数据。