LACO：面向协同驾驶的自适应潜在通信
人工智能
2026-05-22 v1 计算机视觉与模式识别
摘要
协同驾驶旨在通过使连接车辆在部分可见性下进行协调，从而提高安全性和效率。最近的做法从共享视觉特征进行感知，发展为通过基础模型交换语言化推理以实现行为协调。虽然以语言进行通信提供了直观信息，但会带来两个挑战：由自回归解码引起的高延迟，以及将丰富内部表示压缩为离散标记时信息损失。为此，我们分析了在多智能体环境下潜在通信的协同驾驶。我们的分析揭示了代理身份混淆现象，即直接融合潜在状态会使决策表示跨车辆交织。基于此，我们提出了 LACO，即一种训练自由的 **L**A **C**mmunication 范式，无缝适配预训练驾驶模型以适应协同环境。LACO 引入 Iterative Latent Deliberation（ILD）进行潜在推理，Cross-Horizon Saliency Attribution（CHSA）实现通信高效信息选择，Structured Semantic Knowledge Distillation（SSKD）稳定本人中心决策。CARLA 中的闭环实验表明，LACO 在显著减少通信和推理延迟的同时，保持了强大的协同驾驶性能。
引用
@article{arxiv.2605.22504,
title = {LACO: Adaptive Latent Communication for Collaborative Driving},
author = {Tianhao Chen and Yuheng Wu and Dongman Lee},
journal= {arXiv preprint arXiv:2605.22504},
year = {2026}
}