Learning to Predict Navigational Patterns from Partial Observations

要約

【タイトル】部分観測からのナビゲーションパターン予測の学習

【要約】

– 人間は相互に認識されたナビゲーションパターンに従い、ルール制約のある環境を協調的にナビゲーションしています。
– これらのナビゲーションパターンを未知の環境で運行するインテリジェントな移動ロボットにおいて推論することは、アルゴリズム的には困難です。
– 本論文では、現実世界の環境からの部分観測のみからナビゲーションパターンを推論するための自己教師あり学習（SSL）法を初めて提案しています。
– SSLモデルが、ジオメトリックデータオーグメンテーション、予測世界モデリング、情報理論正則化を用いて、無限のデータの極限でバイアスのない局所的な方向性のソフトレーン確率（DSLP）フィールドを予測することができるよう説明しています。
– DSLPフィールドに最大尤度グラフを適合させることで、グローバルナビゲーションパターンを推論する方法を示しています。
– 実験では、SSLモデルがnuScenesデータセットで2つの最先端教師ありレーングラフ予測モデルに勝っていることが示されています。
– ナビゲーションに関する知覚による継続的な学習パラダイムとして、私たちのSSL法を拡張可能で解釈可能な手段として提案しています。発表時にコードを公開します。

要約(オリジナル)

Human beings cooperatively navigate rule-constrained environments by adhering to mutually known navigational patterns, which may be represented as directional pathways or road lanes. Inferring these navigational patterns from incompletely observed environments is required for intelligent mobile robots operating in unmapped locations. However, algorithmically defining these navigational patterns is nontrivial. This paper presents the first self-supervised learning (SSL) method for learning to infer navigational patterns in real-world environments from partial observations only. We explain how geometric data augmentation, predictive world modeling, and an information-theoretic regularizer enables our model to predict an unbiased local directional soft lane probability (DSLP) field in the limit of infinite data. We demonstrate how to infer global navigational patterns by fitting a maximum likelihood graph to the DSLP field. Experiments show that our SSL model outperforms two SOTA supervised lane graph prediction models on the nuScenes dataset. We propose our SSL method as a scalable and interpretable continual learning paradigm for navigation by perception. Code released upon publication.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI