# انتخاب توکن با کمک LiDAR، محاسبات مدل رانندگی را کاهش می‌دهد

> مقاله‌ای پیشنهاد می‌کند با استفاده از هندسه LiDAR و رادار، مدل رانندگی خودکار روی تعداد کمتری از بخش‌های تصویر تمرکز کند؛ روشی که به گفته پژوهشگران، محاسبات را کاهش داده و نتایج بهتری در آزمون‌های معیار به دست آورده است.

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

مقاله‌ای تازه در arXiv روش «انتخاب توکن آگاه از هندسه» (GATS) را پیشنهاد می‌کند که پیش از پردازش تصویر توسط مدل رانندگی خودکار، با استفاده از اندازه‌گیری‌های LiDAR و رادار، بخش‌هایی از تصویر را انتخاب می‌کند. نویسندگان گزارش می‌کنند که GATS با بودجه ۱۰ درصدی توکن، به 24 GFLOPs نیاز داشت؛ یعنی ۱۸ برابر کمتر از مدل پایه متراکم، و در عین حال در nuScenes و NAVSIM امتیاز بهتری گرفت. در 739 سناریوی حساس به قصد راننده، نرخ برخورد 0.09% گزارش شد؛ در مقایسه با 0.34% برای مدل متراکم. این‌ها نتایجی هستند که در مقاله گزارش شده‌اند؛ چکیده ارائه‌شده، عملکرد خودرو در رانندگی واقعی را اثبات نمی‌کند.

## حقایق

- با بودجه ۱۰ درصدی توکن، خطای L2 مدل GATS در nuScenes برابر با 0.537 m گزارش شد؛ در حالی که این رقم برای مدل پایه متراکم 0.573 m بود.
- این مقاله در 2 نوامبر 2026 در arXiv منتشر شد.

## چرا مهم است

برای پژوهشگران رانندگی خودکار، کاهش محاسبات گزارش‌شده راهی برای پردازش داده‌های تصویری کمتر، بدون افت عملکرد در آزمون‌های معیار، پیشنهاد می‌کند؛ اما هنوز مشخص نیست این روش در جاده‌های واقعی چه تأثیری دارد.

## منابع و ارجاع‌ها

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

آخرین به‌روزرسانی: 2026-11-02