論文の概要: GuideFlow: Constraint-Guided Flow Matching for Planning in End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2511.18729v1
• Date: Mon, 24 Nov 2025 03:45:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.002174
• Title: GuideFlow: Constraint-Guided Flow Matching for Planning in End-to-End Autonomous Driving
• Title（参考訳）: GuideFlow: エンドツーエンド自動運転における計画のための制約付きフローマッチング
• Authors: Lin Liu, Caiyan Jia, Guanyi Yu, Ziying Song, JunQiao Li, Feiyang Jia, Peiliang Wu, Xiaoshuai Hao, Yandan Luo,
• Abstract要約: 運転計画は、エンドツーエンド(E2E)自動運転の重要な要素である。 textittextbfGuideFlowは、本質的にモード崩壊を緩和するフローマッチングプロセスを明示的にモデル化する。 textittextbfGuideFlowは、生成中の制御信号としてアグレッシブな動作をパラメータ化することで、トラジェクトリスタイルの正確な操作を可能にする。
• 参考スコア（独自算出の注目度）: 22.92109402334754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driving planning is a critical component of end-to-end (E2E) autonomous driving. However, prevailing Imitative E2E Planners often suffer from multimodal trajectory mode collapse, failing to produce diverse trajectory proposals. Meanwhile, Generative E2E Planners struggle to incorporate crucial safety and physical constraints directly into the generative process, necessitating an additional optimization stage to refine their outputs. In this paper, we propose \textit{\textbf{GuideFlow}}, a novel planning framework that leverages Constrained Flow Matching. Concretely, \textit{\textbf{GuideFlow}} explicitly models the flow matching process, which inherently mitigates mode collapse and allows for flexible guidance from various conditioning signals. Our core contribution lies in directly enforcing explicit constraints within the flow matching generation process, rather than relying on implicit constraint encoding. Crucially, \textit{\textbf{GuideFlow}} unifies the training of the flow matching with the Energy-Based Model (EBM) to enhance the model's autonomous optimization capability to robustly satisfy physical constraints. Secondly, \textit{\textbf{GuideFlow}} parameterizes driving aggressiveness as a control signal during generation, enabling precise manipulation of trajectory style. Extensive evaluations on major driving benchmarks (Bench2Drive, NuScenes, NavSim and ADV-NuScenes) validate the effectiveness of \textit{\textbf{GuideFlow}}. Notably, on the NavSim test hard split (Navhard), \textit{\textbf{GuideFlow}} achieved SOTA with an EPDMS score of 43.0. The code will be released.
• Abstract（参考訳）: 運転計画は、エンドツーエンド(E2E)自動運転の重要な要素である。 しかし、Imitative E2E Plannersは多モードの軌道モードの崩壊に悩まされ、様々な軌道の提案が得られなかった。 一方、ジェネレーティブE2Eプランナーは、生成プロセスに直接重要な安全性と物理的制約を組み込むのに苦労し、出力を洗練させるために追加の最適化段階を必要とする。 本稿では,Constrained Flow Matching を利用した新しい計画フレームワークである \textit{\textbf{GuideFlow}} を提案する。 具体的には、‘textit{\textbf{GuideFlow}} は、モード崩壊を本質的に緩和し、様々な条件信号からの柔軟なガイダンスを可能にするフローマッチングプロセスを明示的にモデル化する。 私たちのコアコントリビューションは、暗黙の制約エンコーディングに頼るのではなく、フローマッチング生成プロセス内で明示的な制約を直接強制することにあります。 重要なことに、 \textit{\textbf{GuideFlow}} は、Energy-Based Model (EBM) と一致するフローのトレーニングを統合し、モデルの自律最適化能力を強化し、物理的制約を堅牢に満たす。 次に、 \textit{\textbf{GuideFlow}} は、生成中の制御信号として駆動攻撃性をパラメータ化し、トラジェクトリスタイルの正確な操作を可能にする。 主要な駆動ベンチマーク(Bench2Drive, NuScenes, NavSim, ADV-NuScenes)の大規模な評価は, \textit{\textbf{GuideFlow}}の有効性を検証する。 特に、NavSimテストハード分割(Navhard)において、textit{\textbf{GuideFlow}}は、SPDMSスコアが43.0でSOTAを達成した。 コードはリリースされます。

関連論文リスト

• DriveFlow: Rectified Flow Adaptation for Robust 3D Object Detection in Autonomous Driving [85.14946767994932]
  DriveFlowは、自律運転におけるデータ強化をトレーニングするためのRectified Flow Adaptation法である。 これは、精密な3次元オブジェクト形状を維持するために、フォアグラウンドの高周波アライメント損失を組み込む。 また、バックグラウンドをデュアル周波数で最適化し、編集の柔軟性とセマンティック一貫性のバランスをとる。
  論文  参考訳（メタデータ） (2025-11-24T03:12:43Z)
• Beyond Imitation: Constraint-Aware Trajectory Generation with Flow Matching For End-to-End Autonomous Driving [18.239343348322134]
  本稿では,制約付きフローマッチングを利用する新しい計画フレームワークであるCATGを提案する。 CatGは、本質的にモード崩壊を引き起こすフローマッチングプロセスを明示的にモデル化する。 CatGは、生成中の運転攻撃性を制御信号としてパラメータ化し、軌道スタイルの正確な操作を可能にする。
  論文  参考訳（メタデータ） (2025-10-30T09:24:34Z)
• FlowDrive: Energy Flow Field for End-to-End Autonomous Driving [50.89871153094958]
  FlowDriveは、物理的に解釈可能なエネルギーベースのフローフィールドを導入し、セマンティックな前提と安全性をBEV空間にエンコードする新しいフレームワークである。 NAVSIM v2ベンチマークの実験では、FlowDriveが最先端のパフォーマンスを86.3で達成し、安全性と計画品質の両方において以前のベースラインを超えたことが示されている。
  論文  参考訳（メタデータ） (2025-09-17T13:51:33Z)
• UniConFlow: A Unified Constrained Generalization Framework for Certified Motion Planning with Flow Matching Models [16.275286046169594]
  生成モデルはロボットモーション生成の強力なツールとなり、様々なタスクで柔軟で多モーダルな軌道生成を可能にしている。 本論文では,同一性制約と不等式制約の両方を体系的に組み込んだトラジェクトリ生成のための統一フローマッチングフレームワークUniConFlowを提案する。 我々は移動ナビゲーションと高次元操作タスクを行い、最先端の制約付き生成プランナと比較して安全性と実現可能性の向上を図っている。
  論文  参考訳（メタデータ） (2025-06-03T14:48:04Z)
• SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
  SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。 強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-03-25T17:59:57Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• SeFlow: A Self-Supervised Scene Flow Method in Autonomous Driving [18.88208422580103]
  連続したLiDARスキャンで各点における3次元運動を予測する。 現在の最先端の手法は、シーンフローネットワークをトレーニングするために注釈付きデータを必要とする。 本研究では,効率的な動的分類を学習に基づくシーンフローパイプラインに統合するSeFlowを提案する。
  論文  参考訳（メタデータ） (2024-07-01T18:22:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。