En este documento, proponemos un novedoso modelo de sistema de antena de haz conmutado integrado con aprendizaje profundo por refuerzo (DRL) para comunicaciones de vehículo a vehículo (V2V) de 6G. El modelo de sistema propuesto tiene como objetivo abordar los desafíos de entornos V2V altamente dinámicos, incluidos los cambios rápidos en las condiciones del canal, la interferencia y los efectos Doppler. Al aprovechar las capacidades de conmutación de haz de las antenas de haz conmutado y la toma de decisiones inteligente de DRL, el enfoque propuesto mejora el rendimiento de las comunicaciones V2V de 6G en términos de rendimiento, latencia, fiabilidad y eficiencia espectral. El trabajo propuesto desarrolla un modelo matemático integral que tiene en cuenta la modelización del canal 6G, la conmutación de haz y los errores de alineación de haz. El marco DRL propuesto está diseñado para aprender decisiones óptimas de conmutación de haz en tiempo real, adaptándose a los escenarios de comunicación V2V complejos y variables. La integración del sistema de antena propuesto y el modelo DRL resulta en una solución robusta capaz de mantener enlaces de comunicación fiables en un entorno altamente dinámico. Para validar el enfoque propuesto, se realizaron extensas simulaciones y se analizó el rendimiento utilizando varios métricos de rendimiento, como rendimiento, latencia, fiabilidad, eficiencia energética, utilización de recursos y escalabilidad de red. Los resultados demuestran que el modelo de sistema propuesto supera significativamente a los sistemas de comunicación V2V convencionales y otras técnicas de vanguardia. Además, el enfoque propuesto muestra que las capacidades de conmutación de haz del sistema de antena de haz conmutado y la toma de decisiones inteligente del modelo DRL son esenciales para abordar los desafíos de las comunicaciones V2V de 6G.