# La sélection de tokens guidée par LiDAR réduit le calcul

> Un article propose d’utiliser la géométrie du LiDAR et du radar pour concentrer un modèle de conduite autonome sur moins de zones d’image. Les auteurs font état d’une baisse du calcul nécessaire et de meilleurs résultats aux tests de référence.

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

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.

## Les faits

- Avec un budget de tokens fixé à 10 %, GATS a affiché une erreur L2 de 0,537 m sur nuScenes, contre 0,573 m pour le modèle de référence dense.
- L’article a été publié sur arXiv le 2 novembre 2026.

## 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.

## Sources et références

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

Dernière mise à jour: 2026-11-02