협력 주행 (Collaborative driving)은 연결된 차량들이 부분 관측성 (partial observability) 하에서 서로 조율할 수 있도록 함으로써 안전성과 효율성을 향상시키는 것을 목표로 합니다. 최근의 접근 방식은 인식을 위해 시각적 특징 (visual features)을 공유하는 것에서부터, 행동 조율을 위해 파운데이션 모델 (foundation models)을 통한 언어 기반 추론 (language-based reasoning)을 교환하는 방식으로 진화해 왔습니다. 언어로 통신하는 것은 직관적인 정보를 제공하지만, 두 가지 과제를 야기합니다: 자기회귀 디코딩 (autoregressive decoding)으로 인한 높은 지연 시간 (latency), 그리고 풍부한 내부 표현 (internal representations)을 이산적 토큰 (discrete tokens)으로 압축하면서 발생하는 정보 손실입니다. 이러한 과제를 해결하기 위해, 우리는 멀티 에이전트 (multi-agent) 설정의 내재적 한계 하에서 협력 주행 시의 잠재 통신 (latent communication)을 분석합니다. 우리의 분석은 잠재 상태 (latent states)를 직접 융합할 때 차량 간의 의사결정 표현이 얽히게 되는 에이전트 정체성 혼란 (agent identity confusion) 현상을 밝혀냅니다. 이에 착안하여, 우리는 사전 학습된 주행 모델을 협력 설정에 원활하게 적응시키는 학습이 필요 없는 (training-free) LAtent COmmunication 패러다임인 LACO를 제안합니다. LACO는 잠재 추론 (latent reasoning)을 위한 반복적 잠재 숙의 (Iterative Latent Deliberation, ILD), 통신 효율적인 정보 선택을 위한 교차 지평 돌출도 귀속 (Cross-Horizon Saliency Attribution, CHSA), 그리고 자차 중심 (ego-centric) 의사결정을 안정화하기 위한 구조적 의미론적 지식 증류 (Structured Semantic Knowledge Distillation, SSKD)를 도입합니다. CARLA에서의 폐루프 (Closed-loop) 실험 결과, LACO는 강력한 협력 주행 성능을 유지하면서도 통신 및 추론 지연 시간을 현저히 감소시킴을 보여줍니다.