卡内基梅隆大学研究团队提出 CMU-Drive 统一框架与 V2V-VLA 车对车视觉-语言-动作模型，将多车协同决策与推理能力引入自动驾驶系统，并配套发布专用推理基准。
今天的自动驾驶系统，绝大多数仍以单车智能为核心——每辆车独立感知、独立决策，通过传感器看到的世界是碎片化的。
一辆车被遮挡的盲区，另一辆车可能看得一清二楚。但如果没有通信与协同，这些信息就被浪费了。
每辆车独立感知、独立规划，信息局限在自身传感器范围内。遮挡、远距离、突发场景下容易失效。
多辆车共享感知、意图与规划，通过 V2V 通信实现「视野叠加」与「决策对齐」，覆盖单车盲区。
注：对比基于行业主流技术路线，多智能体协同仍处于研究探索阶段，尚未大规模量产落地。
CMU-Drive 的核心思路是：用统一框架管理多辆车的感知、通信与决策。它不是让每辆车各自运行一个模型，而是构建一个共享的「协同大脑」。
框架的工作流程可以拆解为四个环节：
每个环节都支持可插拔模块——研究者可以替换其中的感知模型、通信协议或决策策略，而不需要重写整个框架。这种设计让 CMU-Drive 既是一个研究平台，也是一个潜在的工程原型。
注：模块数量与分类基于论文框架描述，具体实现细节以正式发表版本为准。
V2V-VLA 是 CMU-Drive 框架中的核心模型。它的名字已经说明了它的三个能力：视觉、语言、动作。
一辆车看到前方有行人突然横穿，它不只是自己刹车——它可以通过 V2V 链路，用自然语言描述告诉后面的车：「行人出现在我前方 20 米，正从右向左横穿，建议减速。」后车接收后，结合自身感知做出判断。
这就是 V2V-VLA 的独特之处：它把视觉感知转化为语言信号，再映射为动作指令，整个过程是端到端学习的。
研究团队同步发布的推理基准，专门用于评估多智能体驾驶系统的协同推理能力。它与传统自动驾驶评测的区别在于：
传统基准通常考单车在标准场景下的通过率，而新基准考的是多车之间的信息共享、意图对齐与联合决策——一辆车做对了还不够，所有车必须步调一致。
基准覆盖了多个关键场景维度：
注：场景维度基于论文描述整理，具体评测指标与任务数量以正式发布版本为准。
自动驾驶行业在过去几年经历了从「传感器堆料」到「端到端模型」的转变，但单车智能的物理上限已经越来越清晰——一辆车永远无法看到它没看到的东西。
V2V 通信不是新概念，但过去受限于通信带宽、延迟和标准化问题，一直未能真正融入决策系统。CMU-Drive 和 V2V-VLA 的贡献在于：用视觉-语言模型作为通信的「语义压缩器」——把高维视觉信息压缩成结构化的语言信号，再通过 V2V 链路传递，大幅降低了带宽需求。
一个诚实的注脚：
这项工作目前仍处于学术研究阶段，距离量产部署还有距离。通信延迟的鲁棒性、多车系统的安全性验证、以及真实路测的覆盖度，都是需要进一步解决的问题。但它指出了一个明确的方向——自动驾驶的下一个系统级突破，可能不来自更强的单车模型，而来自多车之间的协同智能。
多智能体协同 + 视觉-语言模型，正在将自动驾驶的竞争从「单车的感知上限」推向「多车的认知合力」——系统工程的维度扩展，比单纯提升模型参数更有机会突破安全瓶颈。
论文已在 arXiv 公开，可检索「CMU-Drive」或「V2V-VLA」获取全文。代码与基准预计后续开源。
arXiv 预印本 → 搜索 CMU-Drive