GoalFlow: Doelgericht Flow Matching voor Multimodale Trajectorieën Generatie in End-to-End Autonoom Rijden

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

Samenvatting

Wij stellen GoalFlow voor, een end-to-end autonome rijmethode voor het genereren van hoogwaardige multimodale trajecten. In autonome rijsituaties is er zelden een enkel geschikt traject. Recente methoden richten zich steeds meer op het modelleren van multimodale trajectverdelingen. Deze methoden kampen echter met complexiteit bij trajectselectie en verminderde trajectkwaliteit door hoge trajectdivergentie en inconsistenties tussen begeleidings- en scène-informatie. Om deze problemen aan te pakken, introduceren wij GoalFlow, een nieuwe methode die het generatieve proces effectief beperkt om hoogwaardige, multimodale trajecten te produceren. Om het probleem van trajectdivergentie, inherent aan op diffusie gebaseerde methoden, op te lossen, beperkt GoalFlow de gegenereerde trajecten door een doelpunt in te voeren. GoalFlow stelt een nieuw scoringsmechanisme in dat het meest geschikte doelpunt selecteert uit de kandidaatpunten op basis van scène-informatie. Bovendien maakt GoalFlow gebruik van een efficiënte generatieve methode, Flow Matching, om multimodale trajecten te genereren, en incorporeert een verfijnd scoringsmechanisme om het optimale traject uit de kandidaten te selecteren. Onze experimentele resultaten, gevalideerd op de NavsimDauner2024_navsim, tonen aan dat GoalFlow state-of-the-art prestaties bereikt en robuuste multimodale trajecten levert voor autonoom rijden. GoalFlow behaalde een PDMS van 90,3, wat aanzienlijk beter is dan andere methoden. In vergelijking met andere op diffusiebeleid gebaseerde methoden, vereist onze aanpak slechts één denoiseringsstap om uitstekende prestaties te verkrijgen. De code is beschikbaar op 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.