GoalFlow: Modellazione del Flusso Guidato da Obiettivi per la Generazione di Traiettorie Multimodali nella Guida Autonoma End-to-End

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

March 7, 2025

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

cs.AI

Abstract

Proponiamo GoalFlow, un metodo end-to-end per la guida autonoma che genera traiettorie multimodali di alta qualità. Negli scenari di guida autonoma, raramente esiste una singola traiettoria adatta. I metodi recenti si sono sempre più concentrati sulla modellazione delle distribuzioni di traiettorie multimodali. Tuttavia, questi metodi soffrono di complessità nella selezione delle traiettorie e di una ridotta qualità delle traiettorie a causa dell'elevata divergenza traiettoriale e delle incongruenze tra le indicazioni e le informazioni della scena. Per affrontare questi problemi, introduciamo GoalFlow, un metodo innovativo che vincola efficacemente il processo generativo per produrre traiettorie multimodali di alta qualità. Per risolvere il problema della divergenza traiettoriale intrinseco nei metodi basati sulla diffusione, GoalFlow vincola le traiettorie generate introducendo un punto di destinazione. GoalFlow stabilisce un meccanismo di punteggio innovativo che seleziona il punto di destinazione più appropriato tra i punti candidati in base alle informazioni della scena. Inoltre, GoalFlow utilizza un metodo generativo efficiente, il Flow Matching, per generare traiettorie multimodali e incorpora un meccanismo di punteggio raffinato per selezionare la traiettoria ottimale tra i candidati. I nostri risultati sperimentali, validati su NavsimDauner2024_navsim, dimostrano che GoalFlow raggiunge prestazioni all'avanguardia, fornendo traiettorie multimodali robuste per la guida autonoma. GoalFlow ha ottenuto un PDMS di 90.3, superando significativamente altri metodi. Rispetto ad altri metodi basati sulla politica di diffusione, il nostro approccio richiede solo un singolo passaggio di denoising per ottenere prestazioni eccellenti. Il codice è disponibile all'indirizzo 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.