GoalFlow: Correspondência de Fluxo Orientada a Objetivos para Geração de Trajetórias Multimodais em Condução Autônoma de Ponta a Ponta

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

March 7, 2025

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

cs.AI

Resumo

Propomos o GoalFlow, um método de direção autônoma de ponta a ponta para gerar trajetórias multimodais de alta qualidade. Em cenários de direção autônoma, raramente existe uma única trajetória adequada. Métodos recentes têm se concentrado cada vez mais na modelagem de distribuições de trajetórias multimodais. No entanto, eles sofrem com a complexidade de seleção de trajetórias e a redução da qualidade das trajetórias devido à alta divergência de trajetórias e inconsistências entre a orientação e as informações da cena. Para resolver esses problemas, introduzimos o GoalFlow, um método inovador que restringe efetivamente o processo de geração para produzir trajetórias multimodais de alta qualidade. Para resolver o problema de divergência de trajetórias inerente aos métodos baseados em difusão, o GoalFlow restringe as trajetórias geradas introduzindo um ponto de destino. O GoalFlow estabelece um mecanismo de pontuação inovador que seleciona o ponto de destino mais apropriado dentre os pontos candidatos com base nas informações da cena. Além disso, o GoalFlow emprega um método de geração eficiente, o Flow Matching, para gerar trajetórias multimodais, e incorpora um mecanismo de pontuação refinado para selecionar a trajetória ótima dentre as candidatas. Nossos resultados experimentais, validados no NavsimDauner2024_navsim, demonstram que o GoalFlow alcança desempenho de última geração, fornecendo trajetórias multimodais robustas para direção autônoma. O GoalFlow alcançou um PDMS de 90,3, superando significativamente outros métodos. Em comparação com outros métodos baseados em política de difusão, nossa abordagem requer apenas uma única etapa de remoção de ruído para obter um desempenho excelente. O código está disponível em 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.