本文研究了车联网（Vehicle-to-Everything, V2X）通信在提升自动驾驶车辆感知性能方面的应用。我们提出了一种基于新型视觉Transformer的鲁棒协同感知框架，通过V2X通信实现道路参与者（即车辆与基础设施）间的信息高效融合。具体而言，我们构建了一个全局注意力模型——V2X-ViT，用于有效整合来自路侧单元和车辆等多智能体的感知信息。V2X-ViT采用异构多智能体自注意力与多尺度窗口自注意力交替堆叠的结构，能够同时捕捉智能体间的交互关系以及单个智能体内部的空间特征。上述关键模块在统一的Transformer架构中设计，可有效应对V2X场景中的典型挑战，包括异步信息共享、位姿误差以及V2X系统组件的异构性。为验证所提方法的有效性，我们基于CARLA仿真平台与OpenCDA框架构建了一个大规模V2X感知数据集。大量实验结果表明，V2X-ViT在三维目标检测任务上达到了当前最优性能，并在复杂、高噪声环境下仍表现出良好的鲁棒性。代码已开源，地址为：https://github.com/DerrickXuNu/v2x-vit。