GoalFlow: Целеориентированное согласование потоков для генерации мультимодальных траекторий в сквозном автономном вождении

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

March 7, 2025

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

cs.AI

Аннотация

Мы представляем GoalFlow, сквозной метод автономного вождения для генерации высококачественных мультимодальных траекторий. В сценариях автономного вождения редко существует единственная подходящая траектория. Современные методы всё больше фокусируются на моделировании распределений мультимодальных траекторий. Однако они сталкиваются с проблемами сложности выбора траекторий и снижения их качества из-за высокой дивергенции траекторий и несоответствий между руководящей информацией и данными сцены. Для решения этих проблем мы предлагаем GoalFlow, новый метод, который эффективно ограничивает генеративный процесс для создания высококачественных мультимодальных траекторий. Чтобы устранить проблему дивергенции траекторий, присущую методам на основе диффузии, GoalFlow ограничивает генерируемые траектории введением целевой точки. GoalFlow устанавливает новый механизм оценки, который выбирает наиболее подходящую целевую точку из кандидатов на основе информации о сцене. Кроме того, GoalFlow использует эффективный генеративный метод Flow Matching для создания мультимодальных траекторий и включает усовершенствованный механизм оценки для выбора оптимальной траектории из кандидатов. Наши экспериментальные результаты, проверенные на NavsimDauner2024_navsim, демонстрируют, что GoalFlow достигает передовых показателей, предоставляя устойчивые мультимодальные траектории для автономного вождения. GoalFlow достиг PDMS 90.3, значительно превзойдя другие методы. По сравнению с другими методами на основе диффузионной политики, наш подход требует всего одного шага денойзинга для получения отличных результатов. Код доступен по адресу 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.