يتمكّن البشر من التنقل التعاوني في البيئات الخاضعة للقواعد من خلال الالتزام بأنماط تنقل مشتركة مُعرفة مسبقًا، والتي يمكن تمثيلها كمسارات اتجاهية أو حارات طرق. ويتطلب من الروبوتات المتنقلة الذكية التي تعمل في مواقع غير مُرَسَّمة استخلاص هذه الأنماط التنقلية من بيئات مُراقبة بشكل غير كامل. ومع ذلك، فإن تحديد هذه الأنماط التنقلية خوارزميًا أمرٌ ليس سهلاً. تقدّم هذه الورقة أول منهجية للتعلم الذاتي (SSL) تتعلّم استخلاص الأنماط التنقلية في البيئات الواقعية من ملاحظات جزئية فقط. ونُبيّن كيف تُمكّننا التحويلات الهندسية للبيانات، والنمذجة التنبؤية للعالم، وعامل التقويم المعلوماتي من توقع حقل احتمالات "الحارة الاتجاهية اللينة" (DSLP) المحلي دون انحياز في الحدود التي تصل إلى بيانات لا نهائية. ونُظهر كيف يمكن استخلاص الأنماط التنقلية العالمية من خلال تطبيق رسم بياني يعتمد على الاحتمال الأقصى على حقل DSLP. وتُظهر التجارب أن نموذجنا القائم على التعلم الذاتي يتفوّق على نموذجين حديثين من النماذج المُدرَّبة بطرق مراقبة في توقع رسم بياني للحارات على مجموعة بيانات nuScenes. ونُقترح منهجيتنا المبنية على التعلم الذاتي كنمط قابل للتوسع وسهل الفهم للتعلم المستمر في مجال التنقل عبر الإدراك. يُمكن الوصول إلى الكود من خلال الرابط: https://github.com/robin-karlsson0/dslp.