把弯曲的路拉直：GoalFlow、GuideFlow，与扩散解码器的约束之争

上篇拆开了冻结特征的接口，里面顺带讲过 DiffusionDrive 的 anchored Gaussian：扩散解码器的去噪起点不是纯噪声，而是 20 个聚类出来的「常见驾驶模式」锚点附近，配合截断 schedule 把去噪压到 2 步。当时留了个尾巴没说透——生成式规划器到底能不能一步出轨迹？ 本篇换一条路径来回答：不用扩散，用 Flow Matching。主角是 CVPR 2025 的 GoalFlow，以及它的 2026 后继 GuideFlow。一路看下来你会发现，这两篇和扩散解码器的分歧，表面是「几步推理」，底层是「约束从哪进场」。

---

先补一段被略过的历史：为什么扩散解码器要费那么大劲

在那篇接口文里，DiffusionDrive 的省钱办法被概括成两句：锚点定起点、截断定步数。但值得回头问一句——为什么非省不可？

因为标准扩散天生就是个「多步迭代」的框架：从纯噪声出发，沿着一条弯曲的随机路径，一步一小段地去噪，几十步才能走到目标分布。对图像生成，慢一点无所谓；对车载规划器，这是要命的。规划每 100ms 就要重算一次，几十步去噪的延迟直接把它踢出实时预算。

所以扩散系的做法本质是「把一条长路拆成必须走完的段，然后想办法少走几段」：锚点让起点就离目标近，截断让总段数从几十降到 2。省得很聪明，但它没有改变路径是弯的这件事——只是从一条弯路上砍掉了大半。

Flow Matching 走的是另一条路：与其少走几步，不如把路拉直。

GoalFlow：把噪声到轨迹的路径学成直线

GoalFlow（CVPR 2025，arXiv:2503.05689，地平线 + 国科大 + 南大 + 华科 + 上海 AI Lab，代码 YvanYin/GoalFlow）用的具体变体叫 Rectified Flow。它的核心思想朴素得像一句废话：

噪声 x0 ～ N(0, σ²I)
目标轨迹 τ_norm
插值路径   x_t = (1 - t)·x0 + t·τ_norm
网络学的速度场 v_t = τ_norm - x0

扩散是「沿弯曲概率流逐步去噪」，Rectified Flow 直接把「噪声点到真实轨迹点」连一条直线，让网络去回归这条直线上的速度方向。路径是直的，意味着从 t=0 一步跳到 t=1 就能到终点——理论上一次前向就够了。

代价是这个「直」不是白来的：直线插值要求训练时看到的起点终点配对是「最优传输」意义上的匹配，网络才能把速度场学成常量。学得好，一步到位；学不好，还是发散。GoalFlow 用来兜底的那半套机制，就是解决「不让它乱跑」。

它整条流水线三个模块。感知那套是 Transfuser 风格，相机加 LiDAR 融成 BEV 特征，带 HD map 分割和 3D 检测辅助监督，这部分没太多新意。

真正有想法的是中间那个 Goal Point Construction Module。它不接受「从一张 BEV 图上直接回归一条轨迹」这种没法约束的设定，而是先干一件很具体的事：把训练集里所有真实轨迹的末端点拿出来聚类，建一个密集的 goal point 词表。推理时，从词表里挑一个最合适的点当作「这几十秒我要去哪」的条件。怎么挑？两个分加权：

• 距离分：候选点到真值终点的欧氏距离，取 softmax(-d)，越近越高；
• DAC 分（Drivable Area Compliance）：在候选点放一辆影子车（shadow vehicle），看它是不是完全落在可行驶区多边形内——是个 0/1 的合规判定。

两个分加权取最高，选出来的 goal point 连同 BEV 特征一起，作为条件喂给 Rectified Flow 网络。最后再有一个 Trajectory Scorer，用「影子轨迹」回头检查这个 goal point 是不是把规划器带沟里了，从候选里挑最优的一条。

训练时他们做了三档 condition 的消融，这一档最能说明问题：无条件 / 仅场景信息 / 场景信息 + goal point。不给 goal 的话，网络在推理时根本理解不了终点的空间约束，直接退化成普通的流匹配轨迹生成，长程发散照旧。goal point 不是锦上添花，是那条「直线」的锚。

结果：一步 vs 两步，以及一个容易被误读的数字

NAVSIM 测试集上的 PDMS（数值越高越好）：

方法	类型	PDMS
TransFuser	回归式	84.0
UniAD	回归式（多任务）	83.4
PARA-Drive	回归式	84.0
DiffusionDrive	扩散式（2 步）	88.1
Hydra-MDP	蒸馏式	89.9
DriveDPO	偏好对齐	90.0
GoalFlow	流匹配（1 步）	90.3
iPad	感知无关	91.7
DriveSuprim	—	93.5
人类	参考上界	94.8

几个值得单独拎出来的点。

一是一步就够。论文报告单步去噪能到约 88.9 PDMS，只比多步的最优解低一点点——也就是说 Flow Matching 对去噪步数的鲁棒性，跟扩散那种「步数一砍质量断崖」完全不同。

二是goal point 的质量决定上限。如果他们不用预测的 goal point，而是直接拿真值轨迹的终点当条件，PDMS 会从 90.3 涨到 92.1，逼近人类驾驶的 94.8。这说明当前的天花板很大程度上卡在「猜终点」这一步，而不是「生成轨迹」这一步。

三是可行驶区合规这个指标。GoalFlow 的 SDAC 到了 98.3，比第二名高出 5.5 个点。这恰恰是过去生成式方法的软肋：大家卷的是碰撞率和 L2 距离，没人认真管「轨迹是不是跑到马路外面去了」。goal point 用 DAC 分把「终点得在可行驶区里」这条约束前移到了选条件这一步，等于从源头把漂移压住了。

有个延迟数字流传很广：多步推理约 178ms，单步约 10ms。这个数我是从第三方解读文章拿到的，没有回原文表格核对过——写出来是为了说明量级，真要引用得自己验一遍。

但 goal point 是一种「软约束」

GoalFlow 的聪明之处，也是它的边界：它把约束做成了一个条件，而不是一条硬规则。

goal point 是从预定义词表里挑的，词表又来自训练集轨迹端点的聚类。这意味着两件事：词表外的新目的地（没见过的终点分布）它没法表达；而且「终点挑对了」不等于「中间那段路一定合规」——goal point 只钉死了终点，从当前位姿到终点之间会不会压线、会不会贴太近，仍然靠网络自己学，靠 Trajectory Scorer 事后补救。DAC 分管的是终点那个点，不是整条轨迹。

说到底，GoalFlow 把「约束」外包给了打分机制。它极大地缓解了发散，但约束本身还是在生成过程之外。

GuideFlow：把硬约束焊进生成过程

一年后的 GuideFlow（CVPR 2026，arXiv:2511.18729，北京交大 + 轻舟智航 + 燕山大学 + 中科院 + 昆士兰大学）盯的就是这个缝。

它先把问题定义得很干净。模仿式规划器（UniAD、VAD、SparseDrive 这类）用 L2/Huber 回归专家轨迹，可一个场景只有一条真值，标称的多模态输出最后会塌成单一主导模态——就是模态坍缩（mode collapse）。生成式规划器（DiffusionDrive、DiffusionPlanner）能从分布里采样出多模态，但采样的随机性没法保证生成的轨迹满足硬约束：不碰撞、不压车道线、符合运动学。过去的办法是生成完再做一个后优化阶段去修——作者认为这一步不可靠。

于是 GuideFlow 选 Rectified Flow 做生成主干（理由跟 GoalFlow 一样：路径接近线性，采样快且稳），但往上焊了三个干预点，把约束直接塞进生成过程本身：

• CVF（Constrained Velocity Field）：纠正速度场的方向，让每一步的去噪方向都朝合规区域偏；
• CF（Constrained Flow states）：采样中途把流状态替换成「约束锚点」，别让它在违规区里自由漂；
• RFE（Refining the Flow by EBM）：把 Flow Matching 和一个 Energy-Based Model 联合训练，定义「违规 = 高能量」，让样本天然落进可行域。

注意第三点是关键——它不是外挂一个打分器，而是把能量函数和流匹配一起训练，让模型「自主优化」而不是靠外部惩罚。它还顺带做了件很工程的事：把「驾驶激进度」参数化成生成时的控制信号，可以精确调轨迹风格，想要保守还是激进不用重训。

结果上，GuideFlow 在 NavSim 的 Navhard（测试硬集）拿到 43.0 EPDMS，论文称 SOTA，并在 Bench2Drive、nuScenes、ADV-NuScenes 上都有验证。注意 Navhard 用的是 EPDMS，跟前面 Navsim test 的 PDMS 不是同一口径，数字不能直接横比。

三种约束哲学，摆在一条轴上

把扩散系、GoalFlow、GuideFlow 排一起，会发现它们真正的分歧不在「几步」，而在约束在哪个环节进场：

方法族	生成路径	约束形态	约束进场的位置
DiffusionDrive 等扩散解码器	弯曲、多步	锚点（隐式先验）+ 事后 HD map 打分	起点附近 + 生成之后
GoalFlow	直线（Rectified Flow）	goal point 当条件 + DAC 打分	生成之前（定条件）+ 生成之后（选轨迹）
GuideFlow	直线（Rectified Flow）	能量函数联合训练 + 中途锚点替换	生成过程之中（每一步都管）

从左到右，约束从「事后修」变成「事前定」，最后变成「过程内嵌」。这条轴的终点，其实就是那句老话：最好的约束，是让模型根本生不出违规解，而不是生出来再筛掉。 GuideFlow 的 RFE 八成就是这个意思——用能量把违规区域的概率密度压下去。

回到 DINOv3 系列的那个母题

这个博客前几篇一直在讲 DINOv3 上车，主线是「接口先于能力」：谁冻谁训、query 从哪来、KV 怎么翻译。这篇其实讲的是同一种结构的另一面。

DINOv3 那几篇解决的是输入侧的接口——怎么把干净、域不变的世界表示喂给规划头。GoalFlow 和 GuideFlow 解决的是输出侧的接口——怎么把「我要去哪、不能撞、不能压线」这些约束，翻译成生成过程能听懂的条件或能量。

两头画到一块，一段式端到端的真正难点就露出来了：它把感知、预测、规划压成一个可微系统，省掉了模块间的手工接口，但约束不会因为模块合并就自动进到网络里。它得被显式地重新设计成条件、锚点、能量，或者别的什么形态，塞回生成过程。这跟 agent 专栏「壳 vs 模型」 里那个结构问题也还是同一回事：能力是模型给的，但对齐和约束得靠壳来补——只不过这里的「壳」，长在了生成过程内部。

---

几句得说在前面的话

NAVSIM 上那一串 PDMS 全是各篇论文自报的，模型规模、训练数据、评测口径都不完全一致，横比只能看趋势不能抠小数点。GoalFlow 的评测限于 NAVSIM 这类仿真基准，闭环的真实性和反应性都有限；它依赖预定义 goal point 词表是论文自己承认的局限；延迟那个 178ms→10ms 的数字来自第三方解读，我没回原文核。GuideFlow 我目前只读到项目页和论文笔记级的材料，代码那边标注的还是 coming soon，43.0 EPDMS 的复现性要等社区跑一遍才作数。能确定的是路线本身：从「多步去噪」到「直线生成」，再从「生成后修」到「生成中约束」，这个方向是清楚的。

论文：GoalFlow — Goal-Driven Flow Matching for Multimodal Trajectories Generation in End-to-End Autonomous Driving (arXiv:2503.05689, CVPR 2025)；GuideFlow — Constraint-Guided Flow Matching for Planning in End-to-End Autonomous Driving (arXiv:2511.18729, CVPR 2026)；DiffusionDrive — Truncated Diffusion Model for End-to-End Autonomous Driving (arXiv:2411.15139, CVPR 2025)。NAVSIM 横向数据参考 DAWN 论文表 1 与各方法原论文。