文章核心观点 - 清华大学AIR研究院等机构提出全新自动驾驶决策算法框架Flow Planner，该框架基于Flow Matching生成式模型，在轨迹表征、模型架构和生成机制三方面进行协同改进，旨在解决复杂交通场景下的博弈行为建模挑战 [1] - Flow Planner在高密度车流多车博弈、行人突发横穿等激烈竞争场景下，能够动态感知周围意图变化并生成自然流畅的类人规划轨迹 [1] - 实验结果显示，Flow Planner在nuPlan闭环评测及新设立的interPlan高交互基准上均取得了学习型算法的SOTA性能，决策成功率和轨迹质量显著超越现有扩散模型规划方法 [1] 技术背景与挑战 - 自动驾驶规划的核心挑战在于多车密集、行为多样的交通场景中实现安全可靠且类人的决策，传统规则方法缺乏泛化能力，而学习型方法面临博弈行为建模不足和高质量博弈数据稀缺两大核心挑战 [3][6] - 当前学习型规划方法简单地增大模型参数量难以有效捕捉博弈关系，容易导致过拟合和呆板驾驶行为，而引入过多人工结构设计又会增大模型复杂度 [6] - 高密度强博弈场景在训练数据中呈显著长尾分布，模型难以通过模仿学习准确捕捉专家驾驶意图 [6] 关键技术创新：细粒度轨迹分段表示 - Flow Planner将轨迹划分为多个重叠片段并为每个片段建立局部token表示，改变了传统用整体token表示完整轨迹的方法 [8] - 该策略使模型能够保持运动学连续性、精确捕捉不同时间段交互模式、提升多模态驾驶行为的可表达性 [8][12] - 局部建模加全局拼接的策略兼顾表达力与平滑性，有效改善了规划轨迹的连贯性与多样性 [8] 关键技术创新：博弈增强时空融合机制 - 设计了基于尺度自适应注意力的特征融合模块，使模型能够在统一特征空间中同时处理车道、自车与周车轨迹信息 [9][13] - 模块能基于具体场景动态调整每个token的感受野大小，自动聚焦于关键交互对象 [9][13] - 通过独立的Adaptive LayerNorm与FFN模块优化异构信息融合，避免不同模态特征互相干扰 [13] 关键技术创新：周车增强轨迹生成 - 利用流匹配模型的无分类器引导生成策略，在推理时通过调整周车信息、道路信息等生成条件的权重来放大其对轨迹规划的影响 [10] - 该机制能引导模型生成超越数据的驾驶行为与策略，并帮助模型平衡保守与激进策略，在交互密集场景中生成更自然可控的驾驶行为 [10] 实验性能结果 - 在nuPlan的Val14基准上首次突破90分大关，得分90.43，不依赖任何规则先验或后处理模块 [11][14] - 在引入基于规则的后处理模块后，Flow Planner表现与最优混合式方法相当甚至更优，得分94.31 [11][14] - 在新设立的interPlan高交互基准上，整体性能提升8.9分，在高密度交通、行人横穿等极端交互情境下展现出卓越反应策略 [15] - 在部分分布外场景中展现出出色泛化能力，如对训练数据中未出现的“前车撞车”场景能准确判断并采取绕行策略 [15][20]