人間は、互いに認識されたナビゲーションパターンに従って、ルール制約付きの環境を協調的に移動する。これらのナビゲーションパターンは、方向性を持つ経路や道路の車線として表現されることがある。地図が存在しない場所で動作する知能型移動ロボットにとって、観測が不完全な環境からこうしたナビゲーションパターンを推定することは不可欠である。しかし、これらのナビゲーションパターンをアルゴリズム的に定義することは容易ではない。本論文では、部分的な観測からのみ、現実世界の環境におけるナビゲーションパターンを推定するための、初めての自己教師学習（Self-Supervised Learning: SSL）手法を提案する。幾何学的データ拡張、予測型ワールドモデリング、情報理論的正則化項の組み合わせにより、無限データの極限において、バイアスのない局所的な方向性ソフト車線確率（Directional Soft Lane Probability: DSLP）場を予測できるモデルの構築を説明する。さらに、DSLP場に最大尤度グラフをフィッティングすることで、グローバルなナビゲーションパターンを推定する手法を示す。実験の結果、nuScenesデータセットにおいて、本SSLモデルは2つの最先端の教師あり車線グラフ予測モデルを上回る性能を発揮した。本研究では、センシングによるナビゲーションにおいて、スケーラブルかつ解釈可能な継続的学習の枠組みとして、本SSL手法を提案する。コードは以下のURLで公開されている：https://github.com/robin-karlsson0/dslp。