# LiDAR-styrt urval minskar beräkningarna för körmodeller

> En artikel föreslår att LiDAR- och radargeometri används för att begränsa en självkörningsmodell till färre bildutsnitt. Enligt resultaten minskar beräkningsbehovet samtidigt som benchmarkresultaten förbättras.

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

En ny artikel på arXiv föreslår Geometry-Aware Token Selection (GATS), en metod som använder LiDAR- och radarmätningar för att välja bildutsnitt innan en självkörningsmodell bearbetar dem. Författarna uppger att GATS vid en tokenbudget på 10 % krävde 24 GFLOPs – 18 gånger mindre än den täta baslinjemodellen – och samtidigt fick bättre resultat på nuScenes och NAVSIM. I 739 scenarier där avsikten var avgörande uppger de en kollisionsfrekvens på 0,09 %, jämfört med 0,34 % för den täta modellen. Det här är resultat som redovisas i artikeln; det tillhandahållna abstractet visar inte hur modellen presterar i verklig trafik.

## Fakta

- Med en tokenbudget på 10 % rapporterade GATS ett nuScenes L2-fel på 0.537 m, jämfört med 0.573 m för den täta baslinjemodellen.
- Artikeln publicerades på arXiv den 2 november 2026.

## Varför det spelar roll

För forskare inom självkörande fordon tyder den rapporterade minskningen av beräkningsbehovet på ett sätt att bearbeta mindre kameradata utan att försämra benchmarkresultaten. Effekten på verkliga vägar är dock fortfarande okänd.

## Källor och referenser

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

Senast uppdaterad: 2026-11-02