# Отбор фрагментов по LiDAR снижает вычислительную нагрузку

> В статье предлагается использовать геометрию LiDAR и радара, чтобы сосредоточить модель автономного вождения на меньшем числе фрагментов изображения. По данным авторов, это снижает вычислительные затраты и улучшает результаты на бенчмарках.

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

В новой статье на arXiv предлагается метод Geometry-Aware Token Selection (GATS): перед обработкой изображения моделью автономного вождения он использует данные LiDAR и радара, чтобы выбрать нужные фрагменты. Авторы сообщают, что при бюджете в 10% токенов GATS требовал 24 GFLOPs — в 18 раз меньше, чем плотная базовая модель, — и при этом показывал лучшие результаты на nuScenes и NAVSIM. В 739 сценариях, критичных с точки зрения намерений участников движения, доля столкновений, по их данным, составила 0,09% против 0,34% у плотной модели. Это результаты, приведённые в статье; представленный абстракт не подтверждает эффективность системы в реальных условиях вождения.

## Факты

- При бюджете в 10% токенов ошибка nuScenes L2 у GATS составила 0,537 м против 0,573 м у плотной базовой модели.
- Статья опубликована на arXiv 2 ноября 2026 года.

## Почему это важно

Для исследователей автономного вождения заявленное снижение вычислительной нагрузки указывает на возможность обрабатывать меньше данных с камер без потери качества на бенчмарках. Однако влияние этого подхода на безопасность реальных дорог пока неизвестно.

## Источники и ссылки

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

Обновлено: 2026-11-02