# La selección de tokens con LiDAR reduce el cómputo en conducción

> Un artículo propone usar la geometría de LiDAR y radar para centrar un modelo de conducción autónoma en menos fragmentos de imagen. Según los resultados, el método reduce el cómputo y mejora el desempeño en pruebas de referencia.

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

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.

## Los hechos

- Con un presupuesto del 10% de los tokens, GATS registró un error L2 de 0,537 m en nuScenes, frente a 0,573 m del modelo de referencia denso.
- El artículo se publicó en arXiv el 2 de noviembre de 2026.

## 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.

## Fuentes y referencias

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

Última actualización: 2026-11-02