FlowDrive：基于再平衡数据的调制流匹配轨迹规划方法
机器人学
2026-02-18 v2 人工智能
机器学习
摘要
基于学习的规划器对驾驶数据的长尾分布敏感。常见maneuver主导数据集，而危险或稀有情景稀缺。这种不平衡会使模型偏向频繁案例，导致对关键情景的性能下降。为解决此问题，我们比较了数据抽样的平衡策略，发现以轨迹模式进行再权重是一种有效方法。我们提出FlowDrive，一种基于调制流匹配的轨迹规划器，通过学习条件曲线流将噪声直接映射到轨迹分布，并仅需少量的流匹配步骤。我们进一步引入调制的、在循环内的引导机制，在流步骤之间注入小扰动，以系统性地增加轨迹多样性，同时保持场景一致性。在nuPlan和以互动为导向的interPlan基准测试上，FlowDrive在基于学习的规划器中实现了与现有方法的状态突破，接近采用基于规则细化的方法。经过添加调制引导和轻量后处理（FlowDrive*）后，在 nearly all benchmark splits 上实现整体性能的状态突破。我们的代码已公开于 https://github.com/einsteinguang/flow_drive_planner。
引用
@article{arxiv.2509.21961,
title = {FlowDrive: moderated flow matching with data balancing for trajectory planning},
author = {Lingguang Wang and Ömer Şahin Taş and Marlon Steiner and Christoph Stiller},
journal= {arXiv preprint arXiv:2509.21961},
year = {2026}
}