부분 관측에서 탐색 패턴 예측 학습하기

인간은 상호 인지된 내비게이션 패턴을 따르며 규칙이 제한된 환경에서 협동적으로 이동한다. 이러한 내비게이션 패턴은 방향성 경로 또는 도로 차선 형태로 표현될 수 있다. 지도되지 않은 장소에서 작동하는 지능형 이동 로봇은 부분적으로 관측된 환경에서 이러한 내비게이션 패턴을 추론할 필요가 있다. 그러나 이러한 내비게이션 패턴을 알고리즘적으로 정의하는 것은 비판적이고 어렵다. 본 논문은 부분 관측만으로 실제 환경에서 내비게이션 패턴을 추론할 수 있는 최초의 자기지도 학습(self-supervised learning, SSL) 방법을 제안한다. 우리는 기하학적 데이터 증강, 예측형 월드 모델링, 그리고 정보이론적 정규화 기법이 무한한 데이터 환경에서 편향이 없는 국소적 방향성 소프트 차선 확률(Directional Soft Lane Probability, DSLP) 필드를 예측할 수 있도록 하는 메커니즘을 설명한다. 또한 DSLP 필드에 최대우도 그래프(maximum likelihood graph)를 적합함으로써 전역적인 내비게이션 패턴을 추론하는 방법을 제시한다. 실험 결과, 제안하는 SSL 모델이 nuScenes 데이터셋에서 두 개의 최신(SOTA) 지도 학습 기반 차선 그래프 예측 모델보다 우수한 성능을 보였다. 본 연구는 인지 기반 내비게이션을 위한 확장 가능하고 해석 가능한 지속적 학습 프레임워크로 제안하는 SSL 방법을 제시한다. 코드는 https://github.com/robin-karlsson0/dslp 에서 제공된다.