路径规划是在环境地图中从初始点到目标点找到一条经济有效且有效的路径的过程。搜索型规划方法，包括著名的A*搜索，被广泛应用于解决路径规划挑战。这些技术已在包括自动驾驶和机器人臂操作在内的各个领域找到了应用。
最近的研究突出了数据驱动路径规划在两个特定场景中的重要优势。
- 第一个场景涉及在点对点最短路径搜索问题中相对于传统启发式规划器更高效地发现近似最优路径。
- 第二个场景是对原始图像输入进行路径规划。在没有对环境进行语义像素级标注的情况下，传统规划器很难完成这一任务。
在这项研究中，作者将传统的A*搜索算法进行了重新定义，并将其与卷积编码器结合，创建了一个完全可训练的端到端神经网络规划器。这种方法被称为神经A*，通过将给定的问题实例转化为一个引导地图，然后基于该地图进行可微分的A*搜索，解决路径规划问题。
上面的图像展示了神经A*的两种路径规划场景。
- 点对点最短路径搜索：在输入地图中找到一个近似最优路径（红色），并进行较少的节点探索（绿色）。
- 基于原始图像输入的路径规划：在自然图像上准确预测人类轨迹（红色）。
通过学习使搜索结果与专家提供的地面真实路径相对齐的过程，神经A*可以生成准确且高效地遵循地面真实路径的路径。
该图示了神经A*的框图：
(1) 一个路径规划问题实例被输入编码器来产生一个引导地图。
(2) 可微分的A*模块使用引导地图进行点对点最短路径搜索，并输出搜索历史和结果路径。
(3) 搜索历史和地面真实路径之间的损失被反向传播以训练编码器。
全面的实验结果表明，神经A*超越了最先进的数据驱动规划器，在搜索最优性和效率之间取得了有利的平衡。此外，神经A*已经展示了将基于搜索的规划直接应用于自然图像上预测真实人类轨迹的能力。