FRM-2503.05689 Formalization

0. Overview

GoalFlow（PPR-2503.05689，Xing 等，CVPR 2025）处理多模轨迹生成中的发散与引导不一致。论文的出发点：驾驶场景很少只有一条合适轨迹，多模分布建模因此必要；但扩散式方法在没有约束时轨迹发散大、选择复杂，且引导信息与场景上下文不一致会降低轨迹质量。GoalFlow 用目标点约束生成：先从训练数据轨迹端点聚类出的目标点词表里，按距离分与可行驶区合规分选出一个目标点，再以该点为条件用 rectified flow（最优传输直线路径）生成多模轨迹；轨迹选择不依赖运动学仿真，而按到目标点的距离与 ego progress 的 minimax 组合打分；为应对目标点本身可能出错，生成时 mask 掉目标点得到 shadow trajectory，若其显著偏离主轨迹则判目标点不可靠并以 shadow 输出。

本重建覆盖 Abstract、§1（Introduction）、§3（Method）与 §5（Conclusion）及 §4 的实验结构，版本锚定 arXiv:2503.05689v6。

1. Definitions

入库概念（→ CPT）：

• PDMS → CPT-017：NAVSIM v1 评估口径（论文自报 90.3）。
• 轨迹优化 / 路径规划相关概念：论文的轨迹生成本质是规划问题，与库内 CPT-021（trajectory optimization）区分——本文不做显式优化，而是学一个生成分布，故不绑定。

论文内定义（未入库概念，标 CANDIDATE，不新建 CPT）：

• rectified flow / flow matching：从简单分布 \(\pi_0\) 到目标分布 \(\pi_1\) 的直线路径 \(x_t=(1-t)x_0+tx_1\)，训练网络 \(v_\theta(x_t,t)\) 拟合方向 \(x_1-x_0\)，损失 \(\mathcal L(\theta)=\mathbb E\|v_\theta(x_t,t)-(x_1-x_0)\|_2\)。
• 目标点词表（goal point vocabulary） \(\mathbb V=\{g_i\}^N\)：在训练数据上聚类轨迹端点 \(\mathbf p_i=(x_i,y_i,\theta_i)\) 得到的 \(N\) 个聚类中心（\(N\) 取 4096 或 8192）；不依赖 HD 地图车道信息。
• 距离分（distance score） \(\hat\delta^\text{dis}\)：目标点到真值轨迹端点的接近度，连续值 \([0,1]\)；目标值由 softmax 归一化的负欧氏距离给出 \(\delta^\text{dis}_i=\frac{\exp(-\|g_i-g^\text{gt}\|_2)} {\sum_j\exp(-\|g_j-g^\text{gt}\|_2)}\)。
• 可行驶区合规分（drivable area compliance score）\(\hat\delta^\text{dac}\)：以目标点位姿与 ego 尺寸构造 shadow vehicle，其四角全在可行驶区多边形 \(\mathbb D\) 内记 1，否则 0。
• 最终分 \(\hat\delta^\text{final}_i=w_1\log\hat\delta^\text{dis}_i+ w_2\log\hat\delta^\text{dac}_i\)，取最高分目标点 \(g\) 供生成。
• 生成模块：以 BEV 特征、ego 状态、目标点与时间步为条件，网络 \(\mathcal G\) 预测分布位移 \(\hat{\mathbf v}_t\)；推理用 \(\hat\tau^\text{norm}=x_0+\frac1n\sum_i\hat v_{t_i}\) 后反归一化得 \(\hat\tau\)（论文报告单步即佳）。
• 轨迹打分：\(f(\hat\tau_i)=-\lambda_1\Phi(f_\text{dis}(\hat\tau_i))+ \lambda_2\Phi(f_\text{pg}(\hat\tau_i))\)，\(\Phi\) 为 minimax 操作，\(f_\text{dis}\) 为到目标点的 \(L_2\) 距离、\(f_\text{pg}\) 为 progress。
• shadow trajectory：生成时 mask 目标点所得轨迹；若其显著偏离主轨迹则判决目标点不可靠并以其为输出。
• 感知模块：Transfuser 式融合前/左/右相机与 LiDAR 得 BEV 特征 \(F_\text{bev}\)，并以 HD 地图与 3D 框辅助监督。

2. Axioms（作者公理：论文接受而未证明的前提）

• AX-1（无约束生成的发散）：扩散式生成若不加约束，轨迹发散过大，使选择复杂且质量下降。
• AX-2（目标点是强约束）：目标点包含短期未来位置的精确描述，对生成模型构成强约束。
• AX-3（高质量轨迹的判据）：高质量轨迹距真值小且在可行驶区内（目标点打分器的两条判据前提）。
• AX-4（免 HD 地图的候选构造）：端到端设定下 HD 地图车道信息常不可得，目标点候选须由数据端点离散化得到。
• AX-5（实时约束）：DDPM/DDIM 类长去噪链推理开销大、不适合实时；rectified flow 的 OT 直路径以更少步数达同等效果。

3. Theorems（作者可推导命题；本层薄）

骨架阶段占位。本论文为方法/实验型，未提出独立命题层。P3 投影时若识别出值得保留的定性命题，再实体化为 CLM 并回填 ID。

4. Evidence（实证 → CLM/EVI 映射）

骨架阶段占位（待 P3）。可用观察锚点：NAVSIM 主表（PDMS 90.3 及子项）、效率表（单步生成）、目标点打分分布图、消融（目标点引导、shadow trajectory、步数）。均为论文自报，无库内 EVI/VER。

5. Argument（论证结构）

• AR-1（由 AX-1 推出两步规划）：为避免无约束生成发散，把规划拆为“先构造精确目标点、再据其生成轨迹”两步，用目标点约束生成模型。
• AR-2（由 AX-4 + AX-3 推出词表与打分器）：用训练轨迹端点聚类得目标点词表（4096/8192），并以距离分（贴近真值）与可行驶区合规分（在合法区域）构造目标分选点；不依赖 HD 地图。
• AR-3（由 AX-5 推出生成器选择）：采用 rectified flow 作生成模型，以 BEV、ego、目标点与时间步为条件，单步即可获佳结果。
• AR-4（轨迹选择简化）：不以运动学仿真预测碰撞选轨迹（提推理开销），而用目标点参考与 ego progress 的 minimax 组合打分。
• AR-5（目标点错误的对策）：生成时 mask 目标点得 shadow trajectory，若偏离主轨迹则判目标点不可靠并用 shadow 输出。
• AR-6（经验支撑）：NAVSIM 上的 PDMS 与效率结果支撑 AR-1..AR-5（属 Evidence，非证明）。

6. Commentary

作者评论

• 结论段：目标点约束生成模型可产出高质量多模轨迹；未来将研究不同引导信息对多模生成的影响。
• 作者自陈“introduced flow matching to end-to-end autonomous driving”——优先权表述，需文献级核对。

本库评论

• 数值：PDMS 90.3 为论文自报（同代对照中属高值）；DA-WAM（PPR-2608.19085）对照表把 GoalFlow 列为使用 V2-99 大骨干的方法，跨骨干比较不是同条件对照。
• 与候选构造轴的关系：目标点词表的 4096/8192 量级使 GoalFlow 同时带有“大静态词表”色彩（与 VADv2 类似），但其生成器是 rectified flow 而非从词表采样——引用时不宜简单归入“词表采样”或“扩散生成”任一极。
• 感知依赖：论文使用 HD 地图与 3D 框辅助监督训练 BEV 特征，与 perception-free 路线（如 Latent-WAM）不同，比较需注明。
• 评测域：NAVSIM（非反应式）；未做反应式闭环（闭环读法见 DIS-003）。
• 未核项：单步生成的步数/调度细节、\(w_1,w_2,\lambda_1,\lambda_2\) 取值、词表大小最终选择，P3 需回源。

7. Traceability

Review Log

• 2026-09-14 骨架起草（Tier-1 升级批次第二批，第 7 篇）。G1 忠实度审核待人工签发（DA7）。G1 未过，P3 不得开始。