PPR-2503.05689
Paper
GoalFlow: Goal-Driven Flow Matching for Multimodal Trajectories Generation in End-to-End Autonomous Driving
| id | |
|---|---|
| updated | |
| type | paper |
| title | GoalFlow: Goal-Driven Flow Matching for Multimodal Trajectories Generation in End-to-End Autonomous Driving |
| authors | Zebin Xing, Xingyu Zhang, Yang Hu, Bo Jiang, Tong He, Qian Zhang |
| venue | CVPR 2025 (arXiv:2503.05689) |
| arxiv | 2503.05689 |
| tier | 1 |
| lifecycle | EXTRACTED |
| epistemic | n/a |
| ingested | 2026-09-10 |
| version | arXiv:2503.05689v6 |
| source-hash | sha256:afa11655b48b299d43dee4e9ebfb1f36a8c287cc2870597dc89878c30c760ae1 |
| admitted-under | A2-direct-edge |
| admission-note | 被 DiffusionDriveV2（PPR-2512.07745）直接对照（强调其 V2-99 骨干与 91.2 PDMS 的小骨干对比），并被 CLOVER/DriveSuprim 引用。 |
定位
Xing 等（CVPR 2025）提出 GoalFlow，面向端到端驾驶的多模轨迹生成。论文的出发问题是：驾驶场景中很少只有一条合适轨迹，多模分布建模因此必要；但既有扩散式方法存在轨迹发散（不同噪声收敛到差异过大、质量不稳的轨迹）以及引导信息与场景上下文不一致的问题。GoalFlow 用目标点约束生成过程：先从候选点中按场景信息选出最合适的目标点，再让生成模型在该目标约束下产生高质量多模轨迹；生成端采用流匹配（flow matching）类高效方法替代长链去噪，论文称在轨迹质量与选择复杂度之间取得更好权衡。
方法（机制要点）
- 目标点选择：从候选点中依据场景信息选出目标点，作为生成过程的约束条件。
- 约束式生成：目标点约束多模轨迹生成，降低轨迹发散并提升与场景的一致性。
- 高效生成器：以流匹配式生成替代多步扩散，改善推理效率。
与本库的关系
- 准入身份：A2-direct-edge（被 DiffusionDriveV2（PPR-2512.07745）、CLOVER（PPR-2605.15120）直接引用）。
- 谱系定位：扩散/流匹配规划线——上游接 DiffusionDrive（PPR-2411.15139）的锚定先验思路，下游与 SparseDriveV2（PPR-2603.29163）、DIVER（PPR-2507.04049）等竞争 NAVSIM 榜单。与库内流匹配规划卡（PPR-2606.26017、PPR-2510.11083）构成同一生成族。
- 评测口径锚定 BMK-006。
Provenance
- Tier-0 轻量 ingest（S2 元数据）：
version/source-hash占位（待补）。
关联（11）
- PPR-2411.15139 DiffusionDrive: Truncated Diffusion Model for End-to-End Autonomous Driving
- PPR-2507.04049 DIVER: Reinforced Diffusion Breaks Imitation Bottlenecks in End-to-End Autonomous Driving
- PPR-2510.11083 Flow Matching-Based Autonomous Driving Planning with Advanced Interactive Behavior Modeling
- PPR-2512.07745 DiffusionDriveV2: Reinforcement Learning-Constrained Truncated Diffusion Modeling in End-to-End Autonomous Driving
- PPR-2603.29163 SparseDriveV2: Scoring is All You Need for End-to-End Autonomous Driving
- PPR-2605.15120 CLOVER: Closed-Loop Value Estimation and Ranking for End-to-End Autonomous Driving Planning
- PPR-2606.26017 G2DP: Diffusion Planning with Spatio-Temporal Grid Guidance
- BMK-006 NAVSIM non-reactive planning benchmark (v1 PDMS / v2 EPDMS two-stage)
- FRM-2503.05689 GoalFlow 五层重建（骨架）：核心对象是目标点引导的 rectified-flow 多模轨迹生成——从训练轨迹端点聚类出 4096/8192 目标点词表，用距离分与可行驶区分双分数选点，再以该点为条件经单步 rectified flow 生成轨迹，并用 shadow trajectory 检测不可靠目标点；公理层含『无约束生成易发散』『目标点构成强约束』与『扩散长路径不适合实时』。
- FRM-2507.17596 PRIX 五层重建（骨架）：核心对象是仅用相机的端到端规划——ResNet 骨干配可跨尺度共享权重自注意力的上下文重标定 Transformer（CaRT）产出多尺度特征，再以 Token Memory 与 Planner Grid 两种学习表示（后者不是几何 BEV，仅靠语义与轨迹损失锚定到 ego 帧、不使用相机内外参）条件化一个带锚点的两步扩散规划头，输出 8 个 waypoint；公理层含『部署受模型规模、LiDAR 与密集 BEV 阻碍』与『固定相机装置下几何可被参数吸收』。
- IDX-001 NAVSIM 规划线