# LiDAR-gestuurde selectie verlaagt rekenwerk voor rijmodellen

> Een paper stelt voor LiDAR- en radargegevens te gebruiken om een model voor autonoom rijden op minder beeldfragmenten te richten. Volgens de resultaten daalt het rekenwerk en verbeteren de scores op benchmarks.

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

Een nieuwe paper op arXiv introduceert Geometry-Aware Token Selection (GATS), een methode die met LiDAR- en radarmetingen beeldfragmenten selecteert voordat een model voor autonoom rijden ze verwerkt. Volgens de auteurs gebruikte GATS bij een tokenbudget van 10% 24 GFLOPs—18 keer minder dan de dense baseline—en behaalde het betere scores op nuScenes en NAVSIM. In 739 scenario’s waarin de intentie cruciaal was, melden ze een botsingspercentage van 0,09%, tegenover 0,34% voor het dense model. Dit zijn resultaten uit de paper; uit het meegeleverde abstract blijkt niet hoe het systeem in de praktijk op de weg presteert.

## De feiten

- Bij een tokenbudget van 10% rapporteerde GATS een nuScenes L2-fout van 0,537 m, tegenover 0,573 m voor de dense baseline.
- De paper verscheen op 2 november 2026 op arXiv.

## Waarom het ertoe doet

Voor onderzoekers naar autonoom rijden wijzen de gemelde besparingen op een manier om minder cameragegevens te verwerken zonder in te leveren op benchmarkprestaties. Het effect op echte wegen is echter nog onbekend.

## Bronnen en referenties

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

Laatst bijgewerkt: 2026-11-02