โมเดลการทำนายการเคลื่อนที่เชิงสร้างสรรค์ (Generative motion prediction) มักเผชิญกับข้อจำกัดในการใช้งานจริงเนื่องจากต้องเลือกระหว่างความแม่นยำและความเร็ว โดยโมเดล Diffusion ทั่วไปต้องใช้ขั้นตอนการประมวลผลหลายสิบถึงหลายร้อยครั้งทำให้เกิดความล่าช้า งานวิจัยนี้นำเสนอ 'FlowS' ซึ่งใช้เทคนิค Local Transport Conditioning เพื่อให้สามารถทำนายผลได้แม่นยำภายในการประมวลผลเพียงขั้นตอนเดียว (One-step inference)
ระบบนี้ประกอบด้วยสองกลไกหลัก ได้แก่ การใช้ข้อมูลฉากมาสร้างตัวเลือกเส้นทาง (Anchor trajectories) เพื่อเปลี่ยนปัญหาจากการค้นหารูปแบบการเคลื่อนที่มาเป็นการปรับแต่งตำแหน่งเฉพาะจุด และการใช้ Step-consistent displacement field เพื่อรับประกันความแม่นยำในขั้นตอนเดียว ผลการทดสอบบนชุดข้อมูล Waymo Open Motion พบว่าสามารถทำค่า mAP ได้ในระดับสูงสุด (State-of-the-art) พร้อมประสิทธิภาพความเร็วที่ 75 FPS ซึ่งเพียงพอสำหรับการใช้งานในระบบขับขี่อัตโนมัติที่เน้นความปลอดภัย
