โดยปกติแล้ว ระบบวางแผนการเคลื่อนที่แบบ Generative มักจะใช้วิธีการปรับปรุงเส้นทางแบบต่อเนื่อง ซึ่งอาจติดปัญหาหากเส้นทางเดิมมีข้อบกพร่องมาก งานวิจัยนี้เสนอ MGMP ซึ่งใช้โครงสร้าง Transformer แบบ Masked ในการสร้างชุดทางเลือกการเคลื่อนที่แบบ Discrete และใช้เทคนิค Geometry-Guided Token Search (GGTS) ในการวิเคราะห์เรขาคณิตของฉากเพื่อระบุจุดที่ต้องแก้ไข
จุดเด่นของ MGMP คือการเปลี่ยนจากการค่อยๆ ดัดแปลงเส้นเดิม (Deformation) เป็นการค้นหาทางเลือกใหม่ในระดับโครงสร้างเส้นทาง ทำให้สามารถก้าวข้ามสิ่งกีดขวางที่ยากๆ ได้ดีขึ้น ผลการทดสอบแสดงให้เห็นอัตราความสำเร็จสูงถึง 96% ในการทดสอบแบบ Ring Maze และ 82% ในการทดสอบซ่อมแซมเส้นทางบนหุ่นยนต์ Kuka ซึ่งสูงกว่าเทคโนโลยีเดิมอย่างมาก นอกจากนี้ยังรองรับทั้งหุ่นยนต์แขนเดี่ยว แขนคู่ และการใช้งานจริงกับหุ่นยนต์ Baxter
