Un nouvel article publié sur arXiv propose Geometry-Aware Token Selection (GATS), une méthode qui s’appuie sur les mesures du LiDAR et du radar pour sélectionner des zones d’image avant leur traitement par un modèle de conduite autonome. Les auteurs indiquent qu’avec un budget de tokens fixé à 10 %, GATS a utilisé 24 GFLOPs, soit 18 fois moins que le modèle de référence dense, tout en obtenant de meilleurs résultats sur nuScenes et NAVSIM. Sur 739 scénarios critiques en matière d’intention, ils font état d’un taux de collision de 0,09 %, contre 0,34 % pour le modèle dense. Il s’agit de résultats rapportés dans l’article ; le résumé fourni ne permet pas d’établir les performances en conditions réelles de conduite.
Pourquoi c'est important
Pour les chercheurs en conduite autonome, la réduction du calcul rapportée pourrait permettre de traiter moins de données caméra sans perdre en performance sur les tests de référence. Son effet sur les routes reste toutefois inconnu.
