GoalFlow: 엔드투엔드 자율주행을 위한 목표 기반 흐름 매칭 기반 다중모달 궤적 생성

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

March 7, 2025

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

cs.AI

초록

우리는 고품질의 다중 모드 궤적을 생성하기 위한 종단 간 자율 주행 방법인 GoalFlow를 제안한다. 자율 주행 시나리오에서는 단일 적합한 궤적이 거의 존재하지 않는다. 최근 방법들은 다중 모드 궤적 분포를 모델링하는 데 점점 더 초점을 맞추고 있다. 그러나 이러한 방법들은 궤적 선택의 복잡성과 높은 궤적 발산, 그리고 안내 정보와 장면 정보 간의 불일치로 인해 궤적 품질이 저하되는 문제를 겪고 있다. 이러한 문제를 해결하기 위해, 우리는 생성 과정을 효과적으로 제약하여 고품질의 다중 모드 궤적을 생성하는 새로운 방법인 GoalFlow를 소개한다. 확산 기반 방법에서 내재된 궤적 발산 문제를 해결하기 위해, GoalFlow는 목표 지점을 도입하여 생성된 궤적을 제약한다. GoalFlow는 장면 정보를 기반으로 후보 지점들 중에서 가장 적합한 목표 지점을 선택하는 새로운 점수 매커니즘을 구축한다. 더 나아가, GoalFlow는 다중 모드 궤적을 생성하기 위해 효율적인 생성 방법인 Flow Matching을 사용하고, 후보들 중에서 최적의 궤적을 선택하기 위해 정제된 점수 매커니즘을 통합한다. NavsimDauner2024_navsim에서 검증된 우리의 실험 결과는 GoalFlow가 최첨단 성능을 달성하며, 자율 주행을 위한 견고한 다중 모드 궤적을 제공함을 보여준다. GoalFlow는 PDMS 90.3을 달성하여 다른 방법들을 크게 앞섰다. 다른 확산 정책 기반 방법들과 비교했을 때, 우리의 접근 방식은 단일 디노이징 단계만으로도 우수한 성능을 얻을 수 있다. 코드는 https://github.com/YvanYin/GoalFlow에서 확인할 수 있다.

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.