在驾驶过程中,常常会出现因为道路环境中物体的阻挡,使自动驾驶汽车感知不到前方具体的交通状态,从而发生交通事故的情况。因此,为解决避免前车遮挡和其他盲区导致的决策失误或延迟,自动驾驶汽车在进行驾驶决策的时候,需使用前车或路侧获得的认知信息辅助决策。现有的多车协同决策的端到端算法主要依赖大量的标记数据进行联合训练,但是并没有充分挖掘多源数据之间的关系,使得端到端决策算法的效率和可解释性不高。针对这一问题,论文提出一种基于注意力机制的多车协同超视距认知方法,该方法主要由两部分构成:（1）考虑到车车间认知信息传递的有效性以及不同信息源在不同场景下重要性的不同,提出了一种基于场景自适应认知注意力机制的单种数据多车协同的决策生成算法,由深度神经网络输出认知中间结果作为交换的认知信息,并实现基于自身认知信息与超视距认知信息的影响力认知的联合决策。（2）针对多感知源所处环境不同导致认知差异问题,提出了一种多车协同数据自适应筛选算法,使得神经网络可以根据不同的光照强度选择适应的数据类型,减少因传感器在特定场景下表现不佳带来的数据干扰。另外,由于目前现有的数据集仅包含单个自动驾驶汽车的行驶数据,所以使用Carla城市驾驶模拟器模拟自动驾驶车辆之间协同工作场景并记录所有传感器数据及其在行驶过程中决策数据用于研究。最后,论文对上述提出的方法在Carla城市驾驶模拟器中进行了仿真和对比实验,实验结果表明了本论文提出的基于注意力机制的多车协同超视距认知方法的有效性。