二维机器人导航，从A到B没有遇到障碍物，是自1980年代后期以来以多种方式解决的经典任务。现有解决方案的一些问题是规划者需要很长时间才能建立路径，有时完全无法做到这一点，或者提供过长或不平滑的次优轨迹——人们直观地称之为“像移动一样”机器人。”此外，一些现有的规划器只适用于具有圆形身体或全向的机器人——可以从静止状态向任意方向行驶。
该研究的第一作者，Skoltech博士。学生MikhailKurenkov评论说：“我们开发了一种规划器，可以与非圆形和非全向机器人一起使用，并且优于使用高斯过程和快速探索随机树算法的传统运动规划方法。我们的方法使用所谓的"
神经场与物理学中的场没有什么不同，但在这种情况下，它们为空间中的每个点存储的值是诸如“到最近的障碍物的距离是多少”或“该点在多大程度上是空的或被障碍物占据的程度。"前者在平面设计和动画中得到应用，后者实际上是Skoltech创建的新机器人运动规划器所使用的价值。神经领域的最新发展之一是利用机器学习并使用神经网络对该领域进行参数化。这就是新计划者的工作方式。
为了测试它的性能，研究人员将他们的规划器与更传统的解决方案进行了比较：高斯过程运动规划器和快速探索的随机树算法。事实证明，基于神经场的方法最终可以构建更短、更平滑的轨迹，并且需要更少的尴尬转弯。
该测试依赖于具有多种场景的公开可用数据集，包括走廊、停车场和城市网格。这让我们体验了可能从规划器中受益的那种机器人：一方面，它可以帮助商场中的消毒器、库存柜台和其他服务机器人。城市环境场景还建议在机器人停车系统中应用。
