论文
CMU-Drive与V2V-VLA：协作多智能体统一驾驶推理基准与车对车视觉-语言-动作模型
CMU-Drive and V2V-VLA: Cooperative Multi-agent Unified Driving with Reasoning Benchmark and Vehicle-to-Vehicle Vision-Language-Action Models
摘要
视觉-语言-动作（VLA）模型近来在端到端自动驾驶上取得了令人印象深刻的表现，但现有方法主要为单个自动驾驶智能体设计，对协同感知、推理与规划的支持有限。我们提出协作多智能体统一驾驶与推理（CMU-Drive），一个闭环端到端基准，用于评测多辆网联自动驾驶车辆（CAV）在包含背景交通参与者的安全关键驾驶场景中协同自动驾驶的表现。我们进一步提出车对车视觉-语言-动作（V2V-VLA），一个协同VLA模型，通过联合生成驾驶动作、未来路径点、语言推理和通信策略，将协同驾驶整合进单次前向传播。在CMU-Drive上的实验建立了协同VLA驾驶的首个基准与基线，并为多智能体、闭环、端到端协同自动驾驶的未来研究奠定了基础。我们的代码、基准与模型检查点将公开发布，以促进开源研究。
