近年來，自動駕駛汽車的規則安全驗證取得了顯著進展，但交互式駕駛場景仍然存在一個容易被忽視的失敗模式：當自我車輛的硬規則邊界為負時，即使其他非優先代理的小幅合法調整就能恢復可行性，現有方法要麼簡單否決，要麼基於預測建模，但均無法提供運行時證明對象來明確修復的邊界、責任歸屬、請求的通行權可負擔性以及未觀察請求時的回退策略。
針對這一空白，來自卡內基梅隆大學等機構的研究人員提出了CARVE（Certified Affordable Repair of Vetoed Maneuvers via Envelopes）——一種無預測的證書層，運行在由自我代理和他人代理的戰術算子組成的有限格上。CARVE的核心概念是合作包絡（cooperation envelope），形式化為 \(B_j(s) = \beta(\pi_j)\alpha_j^{\max}(s)\)，它將運動學可達性與規範優先權分離，只有在此包絡內的代理請求才被視為可接受。
CARVE生成的證書記錄了綁定規則、修復類別（例如微小調整或較大讓步）、修復集、基於責任加權的成本分割以及回退策略。研究者在基於Lanelet2幾何的真實INTERACTION數據集上進行了評估，包含589個重放片段。實驗結果顯示，CARVE-Greedy方法接受了98.64%的初始被否決機動，併成功恢復了370個（共378個）由人類標註的假否決，同時保持了589/589的通行權尊重、零優先級代理誤報以及400/400的負應力否決正確維持。
理論上，CARVE證明了證書的可靠性、結構性的通行權尊重、有限格上的精確最小性、回退偶發性以及責任一致性條件。與依賴預測的方法不同，CARVE不預測其他駕駛員的合規行為，也不要求對方配合；它僅認證在聲明假設下，提議的交互是否有界、可歸因且規範允許。這項工作為交互式駕駛的安全驗證提供了一種全新的、可證明的解決方案，有望在未來自動駕駛堆棧中作為輕量級運行時監視器集成。