Un nuevo artículo publicado en arXiv propone Geometry-Aware Token Selection (GATS), un método que usa mediciones de LiDAR y radar para seleccionar fragmentos de imagen antes de que los procese un modelo de conducción autónoma. Los autores indican que, con un presupuesto del 10% de los tokens, GATS requirió 24 GFLOPs —18 veces menos que el modelo de referencia denso— y obtuvo mejores resultados en nuScenes y NAVSIM. En 739 escenarios críticos para la toma de decisiones, registró una tasa de colisión del 0,09%, frente al 0,34% del modelo denso. Estos son resultados publicados en el artículo; el resumen proporcionado no demuestra el desempeño en condiciones reales de conducción.
Por qué importa
Para quienes investigan la conducción autónoma, la reducción de cómputo reportada apunta a una forma de procesar menos datos de cámara sin perder rendimiento en las pruebas de referencia. Sin embargo, se desconoce qué efecto tendría en carreteras reales.
