GoalFlow: Zielgesteuerte Flussanpassung für die Erzeugung multimodaler Trajektorien im End-to-End autonomen Fahren

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

March 7, 2025

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

cs.AI

Zusammenfassung

Wir stellen GoalFlow vor, eine end-to-end-Methode für autonomes Fahren zur Erzeugung hochwertiger multimodaler Trajektorien. In Szenarien des autonomen Fahrens gibt es selten eine einzige geeignete Trajektorie. Neuere Methoden konzentrieren sich zunehmend auf die Modellierung multimodaler Trajektorienverteilungen. Allerdings leiden sie unter der Komplexität der Trajektorienauswahl und einer reduzierten Trajektorienqualität aufgrund hoher Trajektoriendivergenz und Inkonsistenzen zwischen Führungsinformationen und Szeneninformationen. Um diese Probleme zu lösen, führen wir GoalFlow ein, eine neuartige Methode, die den Generierungsprozess effektiv einschränkt, um hochwertige, multimodale Trajektorien zu erzeugen. Um das Problem der Trajektoriendivergenz, das in diffusionsbasierten Methoden inhärent ist, zu lösen, beschränkt GoalFlow die erzeugten Trajektorien durch die Einführung eines Zielpunkts. GoalFlow etabliert einen neuartigen Bewertungsmechanismus, der den am besten geeigneten Zielpunkt aus den Kandidatenpunkten basierend auf den Szeneninformationen auswählt. Darüber hinaus verwendet GoalFlow eine effiziente generative Methode, Flow Matching, um multimodale Trajektorien zu erzeugen, und integriert einen verfeinerten Bewertungsmechanismus, um die optimale Trajektorie aus den Kandidaten auszuwählen. Unsere experimentellen Ergebnisse, validiert auf dem NavsimDauner2024_navsim, zeigen, dass GoalFlow state-of-the-art Leistung erzielt und robuste multimodale Trajektorien für das autonome Fahren liefert. GoalFlow erreichte einen PDMS von 90,3 und übertraf damit andere Methoden deutlich. Im Vergleich zu anderen diffusionsbasierten Methoden benötigt unser Ansatz nur einen einzigen Entrauschungsschritt, um hervorragende Leistung zu erzielen. Der Code ist verfügbar unter 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.