# LiDAR-gesteuerte Token-Auswahl senkt Rechenaufwand beim Fahren

> Ein Paper schlägt vor, mithilfe von LiDAR- und Radargeometrie die Bildbereiche einzugrenzen, auf die sich ein autonomes Fahrmodell konzentriert. Laut den Ergebnissen sinkt dadurch der Rechenaufwand, während die Benchmark-Leistung steigt.

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

Ein neues arXiv-Paper stellt Geometry-Aware Token Selection (GATS) vor. Dabei werden LiDAR- und Radarmessungen genutzt, um Bildbereiche auszuwählen, bevor ein Modell für autonomes Fahren sie verarbeitet. Bei einem Token-Budget von 10 % benötigte GATS den Autoren zufolge 24 GFLOPs – 18-mal weniger als die dichte Baseline – und erzielte zugleich bessere Ergebnisse bei nuScenes und NAVSIM. In 739 szenarien mit entscheidender Bedeutung für die Fahrabsicht geben sie eine Kollisionsrate von 0,09 % an, verglichen mit 0,34 % beim dichten Modell. Dabei handelt es sich um Ergebnisse aus dem Paper; aus dem bereitgestellten Abstract lässt sich keine Aussage zur Leistung im realen Straßenverkehr ableiten.

## Die Fakten

- Bei einem Token-Budget von 10 % meldete GATS einen nuScenes-L2-Fehler von 0,537 m, gegenüber 0,573 m bei der dichten Baseline.
- Das Paper wurde am 2. November 2026 auf arXiv veröffentlicht.

## Warum es wichtig ist

Für Forschende im Bereich autonomes Fahren deutet die gemeldete Verringerung des Rechenaufwands darauf hin, dass sich weniger Kameradaten verarbeiten lassen, ohne bei Benchmarks an Leistung einzubüßen. Welche Auswirkungen das auf echten Straßen hat, ist jedoch noch unklar.

## Quellen und Referenzen

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

Zuletzt aktualisiert: 2026-11-02