GoalFlow: Emparejamiento de Flujos Orientado a Objetivos para la Generación de Trayectorias Multimodales en Conducción Autónoma de Extremo a Extremo

GoalFlow: Goal-Driven Flow Matching for Multimodal Trajectories Generation in End-to-End Autonomous Driving

March 7, 2025

Autores: Zebin Xing, Xingyu Zhang, Yang Hu, Bo Jiang, Tong He, Qian Zhang, Xiaoxiao Long, Wei Yin

cs.AI

Resumen

Proponemos GoalFlow, un método de conducción autónoma de extremo a extremo para generar trayectorias multimodales de alta calidad. En escenarios de conducción autónoma, rara vez existe una única trayectoria adecuada. Los métodos recientes se han centrado cada vez más en modelar distribuciones de trayectorias multimodales. Sin embargo, estos sufren de complejidad en la selección de trayectorias y una reducción en la calidad de las mismas debido a una alta divergencia en las trayectorias e inconsistencias entre la guía y la información de la escena. Para abordar estos problemas, introducimos GoalFlow, un método novedoso que restringe eficazmente el proceso generativo para producir trayectorias multimodales de alta calidad. Para resolver el problema de divergencia de trayectorias inherente a los métodos basados en difusión, GoalFlow restringe las trayectorias generadas mediante la introducción de un punto de destino. GoalFlow establece un mecanismo de puntuación novedoso que selecciona el punto de destino más apropiado entre los puntos candidatos basándose en la información de la escena. Además, GoalFlow emplea un método generativo eficiente, Flow Matching, para generar trayectorias multimodales, e incorpora un mecanismo de puntuación refinado para seleccionar la trayectoria óptima entre los candidatos. Nuestros resultados experimentales, validados en el NavsimDauner2024_navsim, demuestran que GoalFlow alcanza un rendimiento de vanguardia, proporcionando trayectorias multimodales robustas para la conducción autónoma. GoalFlow logró un PDMS de 90.3, superando significativamente a otros métodos. En comparación con otros métodos basados en políticas de difusión, nuestro enfoque requiere solo un paso de eliminación de ruido para obtener un rendimiento excelente. El código está disponible en https://github.com/YvanYin/GoalFlow.

English

We propose GoalFlow, an end-to-end autonomous driving method for generating high-quality multimodal trajectories. In autonomous driving scenarios, there is rarely a single suitable trajectory. Recent methods have increasingly focused on modeling multimodal trajectory distributions. However, they suffer from trajectory selection complexity and reduced trajectory quality due to high trajectory divergence and inconsistencies between guidance and scene information. To address these issues, we introduce GoalFlow, a novel method that effectively constrains the generative process to produce high-quality, multimodal trajectories. To resolve the trajectory divergence problem inherent in diffusion-based methods, GoalFlow constrains the generated trajectories by introducing a goal point. GoalFlow establishes a novel scoring mechanism that selects the most appropriate goal point from the candidate points based on scene information. Furthermore, GoalFlow employs an efficient generative method, Flow Matching, to generate multimodal trajectories, and incorporates a refined scoring mechanism to select the optimal trajectory from the candidates. Our experimental results, validated on the NavsimDauner2024_navsim, demonstrate that GoalFlow achieves state-of-the-art performance, delivering robust multimodal trajectories for autonomous driving. GoalFlow achieved PDMS of 90.3, significantly surpassing other methods. Compared with other diffusion-policy-based methods, our approach requires only a single denoising step to obtain excellent performance. The code is available at https://github.com/YvanYin/GoalFlow.