การวางแผนเส้นทางสำหรับหุ่นยนต์ในสภาพแวดล้อมที่ซับซ้อน เช่น อาคารหลายห้อง มักประสบปัญหาการติดอยู่ในค่าที่เหมาะสมเฉพาะจุด (Local Minima) เมื่อใช้วิธีการเรียนรู้แบบเดิม งานวิจัยนี้จึงนำเสนอ Hierarchical Neural Time Fields (H-NTFields) ซึ่งเป็นการเรียนรู้แบบ Weakly-supervised
ระบบนี้ใช้โครงข่ายเส้นทาง (Sparse Roadmap) มาเป็นจุดยึดทางโทโพโลยีในระดับสากล เพื่อกำหนดขอบเขตเวลาการเดินทาง ในขณะที่ใช้การคำนวณ PDE (Partial Differential Equation) เพื่อรักษาความละเอียดเชิงเรขาคณิตและการหลบหลีกสิ่งกีดขวางในระดับท้องถิ่น ผลลัพธ์ที่ได้คือหุ่นยนต์สามารถวางแผนเส้นทางได้รวดเร็วและมีความเสถียรมากกว่าวิธีเดิมอย่างมาก
