俄羅斯Skoltech科技學院的研究人員開發了一種方法，使輪式機器人在擁擠的環境中移動時能夠以快速、高效和自然的方式避開障礙物。在《IEEE機器人和自動化通訊》上報告的新運動規劃器利用了機器學習，可用于機器人消毒、庫存計數和汽車停放。

機器人的二維導航，即在不遇到障礙物的情況下從A地到達B地，是一項經典的任務，自20世紀80年代末以來已經用多種方式解決了。現有解決方案的一些問題是，規劃者需要很長時間來建立路徑，有時甚至完全做不到，或者提供過長或不平滑的次優軌跡--人們直觀地稱之為 "像機器人一樣 "的移動。此外，現有的一些規劃器只適用于具有圓形身體或全向性的機器人--可以從靜止狀態下向任意方向行駛。

該研究的第一作者，Skoltech的博士生Mikhail Kurenkov評論說："我們已經開發了一種規劃器，它適用于非圓形和非全向的機器人，并且優于使用高斯過程和快速探索隨機樹算法的傳統運動規劃方法。我們的方法使用的是所謂的神經場概念。它還沒有被大量應用于運動規劃，至少沒有在二維中應用，而這正是我們正在做的。"

神經場與物理學中的場沒有什么不同，但在這種情況下，它們為空間中的每個點存儲的值是諸如 "到最近的障礙物的距離是多少 "或 "該點在多大程度上是空的或被障礙物占據"。前者在圖形設計和動畫中找到了應用，而后者實際上是斯科特公司創建的新機器人運動規劃器所使用的值。神經領域的最新發展之一是征用機器學習，并使用神經網絡對該領域進行參數化。這就是新規劃器的工作方式。

為了測試它的性能如何，研究人員將他們的規劃器與更傳統的解決方案進行了比較：一個高斯過程運動規劃器和一個快速探索的隨機樹算法。事實證明，基于神經場的方法最終建立了更短、更平滑的軌跡，并且需要更少的原地轉彎的尷尬。

該測試依靠的是一個公開可用的數據集，其中有多種場景，包括走廊、停車場和城市網格。這讓我們了解到可能從規劃器中受益的機器人種類。首先，它可以幫助商場里的消毒員、庫存計數器和其他服務機器人。城市環境場景也表明了在機器人停車系統中的應用。