# Seleção de tokens com LiDAR reduz processamento em modelos de direção

> Um artigo propõe usar a geometria de LiDAR e radar para concentrar um modelo de direção autônoma em menos recortes de imagem, com menor uso de processamento e melhores resultados em benchmarks.

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

Um novo artigo no arXiv propõe a seleção de tokens com consciência geométrica (GATS, na sigla em inglês), que usa medições de LiDAR e radar para escolher recortes de imagem antes que um modelo de direção autônoma os processe. Os autores relatam que, com um orçamento de 10% dos tokens, o GATS usou 24 GFLOPs — 18 vezes menos que a configuração de referência densa — e obteve resultados melhores no nuScenes e no NAVSIM. Em 739 cenários críticos para a intenção, relatam uma taxa de colisão de 0,09%, ante 0,34% no modelo denso. Esses são resultados apresentados no artigo; o resumo fornecido não comprova o desempenho em situações reais de direção.

## Os fatos

- Com um orçamento de 10% dos tokens, o GATS apresentou erro L2 de 0,537 m no nuScenes, contra 0,573 m na configuração de referência densa.
- O artigo foi publicado no arXiv em 2 de novembro de 2026.

## Por que importa

Para pesquisadores de direção autônoma, a redução de processamento relatada sugere uma forma de analisar menos dados de câmeras sem perder desempenho em benchmarks, mas o efeito nas estradas ainda é desconhecido.

## Fontes e referências

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

Última atualização: 2026-11-02