LACO：面向协同驾驶的自适应潜在通信

协同驾驶旨在让联网车辆在部分可观测条件下相互协调，以提升安全性与效率。近期方法已从为感知而共享视觉特征，演进为通过基础模型交换基于语言的推理以实现行为协调。尽管以语言通信提供直观信息，但它带来两大挑战：自回归解码造成的高延迟，以及把丰富的内部表示压缩为离散Token造成的信息损失。为应对这些挑战，我们在多智能体设定的固有限制下分析协同驾驶中的潜在通信。分析揭示了智能体身份混淆问题：对潜在状态的直接融合会将不同车辆的决策表示纠缠在一起。由此我们提出LACO，一个免训练的潜在通信（Latent Communication）范式，可将预训练驾驶模型无缝适配到协同场景。LACO引入用于潜在推理的Iterative Latent Deliberation（ILD）、面向通信高效信息选择的Cross-Horizon Saliency Attribution（CHSA），以及稳定自车决策的Structured Semantic Knowledge Distillation（SSKD）。CARLA闭环实验表明，LACO在保持强劲协同驾驶性能的同时，显著降低了通信与推理延迟。