GoalFlow : Appariement de flux guidé par des objectifs pour la génération de trajectoires multimodales dans la conduite autonome de bout en bout

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

March 7, 2025

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

cs.AI

Résumé

Nous proposons GoalFlow, une méthode de conduite autonome de bout en bout pour générer des trajectoires multimodales de haute qualité. Dans les scénarios de conduite autonome, il est rare qu'une seule trajectoire soit appropriée. Les méthodes récentes se concentrent de plus en plus sur la modélisation des distributions de trajectoires multimodales. Cependant, elles souffrent de la complexité de sélection des trajectoires et d'une qualité réduite des trajectoires en raison d'une divergence élevée des trajectoires et d'incohérences entre les informations de guidage et les informations de la scène. Pour résoudre ces problèmes, nous introduisons GoalFlow, une méthode novatrice qui contraint efficacement le processus génératif pour produire des trajectoires multimodales de haute qualité. Pour résoudre le problème de divergence des trajectoires inhérent aux méthodes basées sur la diffusion, GoalFlow contraint les trajectoires générées en introduisant un point de destination. GoalFlow établit un mécanisme de notation innovant qui sélectionne le point de destination le plus approprié parmi les points candidats en fonction des informations de la scène. De plus, GoalFlow utilise une méthode générative efficace, le Flow Matching, pour générer des trajectoires multimodales, et intègre un mécanisme de notation raffiné pour sélectionner la trajectoire optimale parmi les candidats. Nos résultats expérimentaux, validés sur le NavsimDauner2024_navsim, démontrent que GoalFlow atteint des performances de pointe, fournissant des trajectoires multimodales robustes pour la conduite autonome. GoalFlow a atteint un PDMS de 90,3, surpassant significativement les autres méthodes. Par rapport aux autres méthodes basées sur la politique de diffusion, notre approche ne nécessite qu'une seule étape de débruitage pour obtenir d'excellentes performances. Le code est disponible à l'adresse 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.