CVPR 2025｜GoalFlow：目标点驱动，解锁端到端生成式策略新未来

主要观点总结

该文章介绍了一种基于goal point的生成式方法GoalFlow，用于自动驾驶轨迹规划。文章指出直接回归轨迹的方法难以对自动驾驶场景中常见的多模态动作分布进行有效建模，因此提出使用goal point来引导生成式模型生成安全、高质量、多模态的规划轨迹。GoalFlow通过聚类方法捕捉目标点(goal point)的分布特性，并设计了一套目标点评估机制，结合Flow Matching生成高质量轨迹。在公开数据集Navsim上的综合分数大幅领先其他方法。

关键观点总结

关键观点1: 自动驾驶轨迹规划的挑战

直接回归轨迹的方法难以对多模态动作分布进行有效建模，需要一种能够生成安全、高质量、多模态规划轨迹的方法。

关键观点2: GoalFlow方法的引入

GoalFlow通过使用goal point这种强引导信息来引导生成式模型，解决生成式模型轨迹过于发散和轨迹坍缩的问题。

关键观点3: GoalFlow的核心思路

通过感知融合得到BEV feature，建立dense的goal point词汇表，采用Classifier-Free Guidance策略进行训练，结合Flow Matching生成轨迹。

关键观点4: GoalFlow的实验结果

在Navsim数据集上，GoalFlow在PDMS综合指标上得分90.3分，远超其他方法。模拟真实场景时，PDMS达到92.1分，逼近人类驾驶的94.8分。

关键观点5: 未来工作展望

未来将进一步探索优化引导信息的利用，设计更高效的网络结构，并探索将人类语言指令作为条件输入，结合GoalFlow实现更智能的指令跟随能力。

文章预览

• 论文链接： https://arxiv.org/abs/2503.05689 • 项目链接： https://github.com/YvanYin/GoalFlow 概述 自动驾驶轨迹规划往往采用直接回归轨迹的方法，这种方式虽在测试中能取得不错的性能，可直接输出当前场景下最有可能的轨迹或控制，但它难以对自动驾驶场景中常见的多模态动作分布进行有效建模。在实际驾驶场景里，往往不存在唯一的最优决策，不同的路况、交通标志以及其他道路使用者的行为等，都可能导致车辆存在多种合理的行驶轨迹选择，而回归模型在处理这种多模态特性时显得力不从心。为了解决这个问题，我们提出了一种基于goal point的生成式方法GoalFlow，通过使用goal point这种强引导信息来引导生成式模型生成安全、高质量、多模态的规划轨迹。我们的方法在公开数据集Navsim综合分数大幅领先其他方法。同时，通过Flow Matching对轨迹分布进行 ………………………………