Con el objetivo de abordar el problema central de que la evaluación de inteligencia actual para los Vehículos Terrestres No Tripulados (UGVs) se basa en métricas de rendimiento estáticas y carece de una caracterización cuantitativa dinámica de la capacidad de internalización del aprendizaje (LIC), este estudio propone un marco de evaluación dinámica basado en el análisis de series temporales. El marco comienza construyendo un sistema de parámetros de escenario de prueba multidimensional y recopilando datos de secuencia de rendimiento observables externamente. Luego, introduce una técnica de análisis colaborativo basada en la desviación estándar de la pendiente con ventana deslizante para lograr una división no supervisada de las fases de aprendizaje, de la cual se extraen cinco métricas de evaluación clave para cuantificar de manera integral las características dinámicas multidimensionales de la LIC en términos de eficiencia, estabilidad y efectividad general. Se llevaron a cabo experimentos de simulación utilizando UGVs equipados con tres tipos de algoritmos de planificación de rutas en escenarios de baja, media y alta dificultad. Los resultados demuestran que el algoritmo propuesto puede distinguir efectivamente las diferencias multidimensionales en la LIC entre diferentes UGVs, exhibiendo un fuerte poder discriminativo e interpretabilidad. Este estudio proporciona una herramienta de evaluación estandarizada para la selección inteligente de UGV, la optimización de la iteración de algoritmos y el diseño de estrategias de entrenamiento, ofreciendo un valor de referencia significativo para la evaluación de la capacidad de aprendizaje de los sistemas de conducción autónoma.