从部分观测中学习预测导航模式

人类在规则约束的环境中通过遵循彼此知晓的导航模式实现协作通行，这些导航模式可表现为方向性路径或车道。对于在未测绘环境中运行的智能移动机器人而言，仅从部分观测环境中推断出这些导航模式至关重要。然而，从算法上定义此类导航模式具有显著挑战性。本文提出了首个仅基于部分观测即可学习推断真实世界环境中导航模式的自监督学习（Self-Supervised Learning, SSL）方法。我们阐明了几何数据增强、预测性世界建模以及信息论正则化项如何共同作用，使模型在无限数据的极限下能够预测无偏的局部方向软车道概率（Directional Soft Lane Probability, DSLP）场。进一步地，我们展示了如何通过在DSLP场基础上拟合最大似然图来推断全局导航模式。实验结果表明，我们的SSL模型在nuScenes数据集上优于两种当前最先进的监督式车道图预测模型。本文将所提出的SSL方法视为一种可扩展且可解释的持续学习范式，用于基于感知的导航。代码已开源，地址为：https://github.com/robin-karlsson0/dslp。