# اختيار موجّه بليدار يقلّل حسابات نماذج القيادة

> تقترح ورقة بحثية استخدام بيانات ليدار والرادار الهندسية لتركيز نموذج القيادة الذاتية على عدد أقل من رقع الصور، مع الإبلاغ عن خفض استهلاك الحوسبة وتحسين نتائج الاختبارات المعيارية.

Oossa · 2026-11-02 · https://oossa.com/ar/lidar-guided-token-selection-cuts-driving-model-compute

تقترح ورقة بحثية جديدة على arXiv أسلوبًا يُسمى اختيار الرموز الواعي بالهندسة (GATS)، يستخدم قياسات ليدار والرادار لاختيار رقع الصور قبل أن يعالجها نموذج للقيادة الذاتية. ويذكر الباحثون أن GATS، عند تخصيص 10% من الرموز، استهلك 24 GFLOPs، أي أقل بـ18 مرة من خط الأساس الكثيف، وسجّل نتائج أفضل على nuScenes وNAVSIM. وفي 739 سيناريو حرجًا من حيث النوايا، أفادوا بمعدل تصادم بلغ 0.09%، مقارنةً بـ0.34% للنموذج الكثيف. هذه نتائج أوردتها الورقة؛ ولا يثبت الملخص المقدّم أداءً في القيادة على الطرق الواقعية.

## الحقائق

- عند تخصيص 10% من الرموز، سجّل GATS خطأ L2 قدره 0.537 m على nuScenes، مقابل 0.573 m لخط الأساس الكثيف.
- نُشرت الورقة على arXiv في November 2, 2026.

## لماذا يهم

بالنسبة إلى باحثي القيادة الذاتية، يشير خفض الحوسبة المذكور إلى إمكانية معالجة قدر أقل من بيانات الكاميرا من دون خسارة الأداء في الاختبارات المعيارية، لكن أثر ذلك على الطرق الحقيقية لا يزال مجهولًا.

## المصادر والمراجع

1. [Let LiDAR Decide Where to Look: Geometry-Measured Token Selection for Efficient Sparse Latent World Models](https://arxiv.org/abs/2610.40935) – arXiv cs.CV, 2026-11-02

آخر تحديث: 2026-11-02