扩散规划器全新升级！清华Flow Planner：基于流匹配模型的博弈增强算法（NeurIPS'25...

主要观点总结

本文介绍了清华大学AIR研究院等团队在NeurIPS 2025上发表的最新研究成果——基于流匹配的自动驾驶规划框架Flow Planner。该框架解决了传统规划方法在面对复杂交通场景时的不足，通过模型自身的学习能力，提升了博弈能力。实验结果显示，Flow Planner在自动驾驶决策任务中取得了显著成果。

关键观点总结

关键观点1: 研究背景

自动驾驶规划的核心挑战在于如何在多车密集、行为多样的交通场景中实现安全、可靠、类人的决策。

关键观点2: 现有问题

传统基于规则的规划方法缺乏泛化能力，而基于学习的规划方法在博弈行为建模和高质量博弈数据方面面临挑战。

关键观点3: 研究目标

解决在不引入额外先验知识的情况下，通过模型自身的学习能力，从有限的数据中提升博弈能力的问题。

关键观点4: 解决方案

提出Flow Planner框架，从轨迹表征、模型架构到生成机制三方面协同改进，全面提升规划模型在复杂博弈场景下的理解与反应能力。

关键观点5: 技术细节

包括细粒度轨迹分段表示、博弈增强时空融合机制和基于无分类器引导的周车增强轨迹生成等关键创新点。

关键观点6: 实验结果

Flow Planner在nuPlan闭环仿真和interPlan高交互场景测试集中取得了显著成果，表现出优秀的性能。

关键观点7: 总结

Flow Planner通过三重创新提升了自动驾驶系统在复杂交通交互中的决策表现，展示了其在复杂交互建模与多场景适应性方面的强大潜力。