Lernen des Vorhersagens von Navigationsmustern aus partiellen Beobachtungen

Menschliche Wesen navigieren kooperativ in regelgeleiteten Umgebungen, indem sie auf gemeinsam bekannte Navigationsschemata zurückgreifen, die als gerichtete Wege oder Fahrspuren dargestellt werden können. Für intelligente mobile Roboter, die in unbekannten, nicht kartografierten Umgebungen operieren, ist die Ableitung dieser Navigationsschemata aus unvollständig beobachteten Szenen erforderlich. Die algorithmische Definition solcher Navigationsschemata ist jedoch nicht trivial. In diesem Artikel präsentieren wir die erste selbstüberwachte Lernmethode (Self-Supervised Learning, SSL), die darauf abzielt, Navigationsschemata in realen Umgebungen ausschließlich auf Basis partieller Beobachtungen zu inferieren. Wir erklären, wie geometrische Datenaugmentation, prädiktives Weltmodellieren und ein informationstheoretischer Regularisator es unserem Modell ermöglichen, im Grenzfall unendlich vieler Daten eine verzerrungsfreie lokale weiche Fahrspur-Wahrscheinlichkeitsfeld (Directional Soft Lane Probability, DSLP) vorherzusagen. Wir zeigen, wie globale Navigationsschemata durch Anpassung eines Maximum-Likelihood-Graphen an das DSLP-Feld abgeleitet werden können. Experimente belegen, dass unser SSL-Modell zwei state-of-the-art-Modelle für überwachtes Fahrspurgraphen-Prädiktionsverfahren auf dem nuScenes-Datensatz übertrifft. Wir schlagen unsere SSL-Methode als skalierbares und interpretierbares Paradigma des kontinuierlichen Lernens für die Navigation durch Wahrnehmung vor. Der Quellcode ist unter https://github.com/robin-karlsson0/dslp verfügbar.