室内環境で自律移動するロボットの安全な航行は、ロボティクス研究の重要な課題です。本論文で提案されている学習ベースの航行フレームワークは、グローバルプランニングとローカルプランニングの両層で機械学習を活用し、複雑な室内環境でのロボット制御を実現しています。 グローバルプランニングの層では、教師あり学習による神経網グローバルプランナーを採用しており、これはコスト認識を組み込んだA*アルゴリズムの専門家軌跡を用いて訓練されています。一方、ローカルプランニングではDynamic Window Approach（DWA）を基盤とした学習ベースのDWAローカルプランナーを提案しており、DWAのアクション格子上での離散的な候補選択として定式化されています。 ローカルプランナーの訓練は、行動クローニングで初期化した後、実行可能性を考慮したマスキング下でProximal Policy Optimization（PPO）による強化学習で改善されます。この手法により、ロボットは柔軟に政策を最適化しながら、現実的な制約条件を満たす安全な動作を学習できます。シミュレーション環境と実際の室内環境での実験結果から、提案フレームワークは障害物が存在する環境でも実行可能なグローバルルートを生成し、信頼性の高いローカル運動指令を提供できることが実証されています。学習ベースのグローバルプランニングと強化学習で改善されたローカル制御の統合は、室内モバイルロボットの自動航行に高い有効性を示しています。