GoalFlow: エンドツーエンド自動運転におけるマルチモーダル軌道生成のためのゴール駆動型フローマッチング

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

March 7, 2025

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

cs.AI

要旨

我々は、高品質なマルチモーダル軌道を生成するためのエンドツーエンドの自動運転手法であるGoalFlowを提案する。自動運転シナリオでは、単一の適切な軌道が存在することは稀である。最近の手法では、マルチモーダルな軌道分布をモデル化することに焦点が当てられている。しかし、これらの手法は軌道選択の複雑さや、軌道の分散が大きいこと、およびガイダンスとシーン情報の不一致による軌道品質の低下に悩まされている。これらの問題に対処するため、我々はGoalFlowを導入し、生成プロセスを効果的に制約して高品質なマルチモーダル軌道を生成する。拡散ベースの手法に内在する軌道分散問題を解決するために、GoalFlowは目標点を導入して生成される軌道を制約する。GoalFlowは、シーン情報に基づいて候補点から最も適切な目標点を選択する新しいスコアリングメカニズムを確立する。さらに、GoalFlowは効率的な生成手法であるFlow Matchingを採用してマルチモーダル軌道を生成し、候補から最適な軌道を選択するための洗練されたスコアリングメカニズムを組み込む。NavsimDauner2024_navsimで検証された実験結果は、GoalFlowが最先端の性能を達成し、自動運転のための堅牢なマルチモーダル軌道を提供することを示している。GoalFlowはPDMSで90.3を達成し、他の手法を大きく上回った。他の拡散ポリシーベースの手法と比較して、我々のアプローチは単一のノイズ除去ステップのみで優れた性能を得ることができる。コードはhttps://github.com/YvanYin/GoalFlowで公開されている。

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.