# Il LiDAR guida la selezione dei token e riduce i calcoli

> Un articolo propone di usare la geometria rilevata da LiDAR e radar per concentrare un modello di guida autonoma su un numero minore di porzioni delle immagini, segnalando un minor carico di calcolo e risultati migliori nei benchmark.

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

Un nuovo articolo pubblicato su arXiv propone Geometry-Aware Token Selection (GATS), un metodo che usa le misurazioni di LiDAR e radar per selezionare porzioni delle immagini prima che vengano elaborate da un modello di guida autonoma. Gli autori riferiscono che, con un budget pari al 10% dei token, GATS ha richiesto 24 GFLOPs — 18 volte meno rispetto al modello di riferimento che elabora tutti i dati — ottenendo al contempo punteggi migliori su nuScenes e NAVSIM. In 739 scenari in cui l’intento è un fattore critico, riportano un tasso di collisione dello 0,09%, contro lo 0,34% del modello completo. Si tratta di risultati riportati nell’articolo: l’abstract fornito non dimostra prestazioni nella guida su strada.

## I fatti

- Con un budget pari al 10% dei token, GATS ha riportato un errore L2 di 0,537 m su nuScenes, contro 0,573 m del modello di riferimento completo.
- L’articolo è stato pubblicato su arXiv il 2 novembre 2026.

## Perché conta

Per chi fa ricerca sulla guida autonoma, la riduzione del carico di calcolo segnalata suggerisce un modo per elaborare meno dati delle telecamere senza perdere prestazioni nei benchmark. Resta però da capire quale effetto possa avere sulle strade reali.

## Fonti e riferimenti

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

Ultimo aggiornamento: 2026-11-02