俄罗斯Skoltech科技学院的研究人员开发了一种方法，使轮式机器人在拥挤的环境中移动时能够以快速、高效和自然的方式避开障碍物。在《IEEE机器人和自动化通讯》上报告的新运动规划器利用了机器学习，可用于机器人消毒、库存计数和汽车停放。

机器人的二维导航，即在不遇到障碍物的情况下从A地到达B地，是一项经典的任务，自20世纪80年代末以来已经用多种方式解决了。现有解决方案的一些问题是，规划者需要很长时间来建立路径，有时甚至完全做不到，或者提供过长或不平滑的次优轨迹--人们直观地称之为 "像机器人一样 "的移动。此外，现有的一些规划器只适用于具有圆形身体或全向性的机器人--可以从静止状态下向任意方向行驶。

该研究的第一作者，Skoltech的博士生Mikhail Kurenkov评论说："我们已经开发了一种规划器，它适用于非圆形和非全向的机器人，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。我们的方法使用的是所谓的神经场概念。它还没有被大量应用于运动规划，至少没有在二维中应用，而这正是我们正在做的。"

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"。前者在图形设计和动画中找到了应用，而后者实际上是斯科特公司创建的新机器人运动规划器所使用的值。神经领域的最新发展之一是征用机器学习，并使用神经网络对该领域进行参数化。这就是新规划器的工作方式。

为了测试它的性能如何，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：一个高斯过程运动规划器和一个快速探索的随机树算法。事实证明，基于神经场的方法最终建立了更短、更平滑的轨迹，并且需要更少的原地转弯的尴尬。

该测试依靠的是一个公开可用的数据集，其中有多种场景，包括走廊、停车场和城市网格。这让我们了解到可能从规划器中受益的机器人种类。首先，它可以帮助商场里的消毒员、库存计数器和其他服务机器人。城市环境场景也表明了在机器人停车系统中的应用。