Les êtres humains se déplacent de manière coopérative dans des environnements soumis à des règles en suivant des schémas de navigation mutuellement connus, qui peuvent être représentés sous la forme de voies directionnelles ou de lignes de circulation. L’inférence de ces schémas de navigation à partir d’environnements partiellement observés est essentielle pour les robots mobiles intelligents opérant dans des lieux non cartographiés. Toutefois, la définition algorithmique de ces schémas de navigation s’avère non triviale. Ce papier présente la première méthode d’apprentissage auto-supervisé (SSL) permettant d’inférer des schémas de navigation dans des environnements réels à partir d’observations partielles uniquement. Nous expliquons comment une augmentation géométrique des données, un modèle prédictif du monde et un régularisateur fondé sur la théorie de l’information permettent à notre modèle de prédire, dans la limite d’un nombre infini de données, un champ de probabilité douce locale de voies directionnelles (DSLP) non biaisé. Nous démontrons également comment inférer des schémas de navigation globaux en ajustant un graphe à maximum de vraisemblance au champ DSLP. Des expériences montrent que notre modèle SSL surpasser deux modèles supervisés de prédiction de graphe de voies de pointe (SOTA) sur le jeu de données nuScenes. Nous proposons notre méthode SSL comme un paradigme évolutif et interprétable d’apprentissage continu pour la navigation par perception. Le code est disponible à l’adresse suivante : https://github.com/robin-karlsson0/dslp.