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

要約

高品質のマルチモーダル軌道を生成するためのエンドツーエンドの自律運転方法であるGoalFlowを提案します。
自律運転シナリオでは、適切な軌跡が1つあることはめったにありません。
最近の方法は、マルチモーダル軌道分布のモデリングにますます焦点を当てています。
しかし、彼らは、軌道の多様性とガイダンスとシーン情報の間の矛盾のために、軌道選択の複雑さと軌跡の質の低下に苦しんでいます。
これらの問題に対処するために、高品質のマルチモーダル軌跡を生成するために生成プロセスを効果的に制約する新しい方法であるGoalFlowを導入します。
拡散ベースの方法に固有の軌跡の発散問題を解決するために、GoalFlowは、ゴールポイントを導入することにより、生成された軌跡を制約します。
GoalFlowは、シーン情報に基づいて候補ポイントから最も適切なゴールポイントを選択する新しいスコアリングメカニズムを確立します。
さらに、GoalFlowは効率的な生成方法であるフローマッチングを採用してマルチモーダル軌道を生成し、洗練されたスコアリングメカニズムを組み込んで、候補者から最適な軌道を選択します。
NAVSIM \ Cite {Dauner2024_Navsim}で検証された実験結果は、GoalFlowが最先端のパフォーマンスを達成し、自律運転のための堅牢なマルチモーダル軌跡を提供することを示しています。
GoalFlowは90.3のPDMSを達成し、他の方法を大幅に超えました。
他の拡散ポリシーベースの方法と比較して、私たちのアプローチでは、優れたパフォーマンスを得るために単一の除去ステップのみが必要です。
このコードはhttps://github.com/yvanyin/goalflowで入手できます。

要約(オリジナル)

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 Navsim\cite{Dauner2024_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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google