Das vorgeschlagene NNPP-Modell lernt semantische Informationen über Start- und Zielpositionen sowie Kartenrepräsentationen aus zahlreichen vorannotierten optimalen Pfaddemonstrationen und erzeugt eine Wahrscheinlichkeitsverteilung über jeden Pixel, die die Wahrscheinlichkeit angibt, dass er zu einem optimalen Pfad auf der Karte gehört. Das Modell kann die Suchzeit für optimale Pfade unter denselben Hardwarebedingungen erheblich reduzieren, und der Vorteil von NNPP nimmt mit der Kartengröße zu.
Ein hierarchischer und dezentraler Bewegungsplanungsrahmen, inspiriert vom Oktopus, ermöglicht es Mehrarmsystem-Raumrobotern, Trajektorienplanung und Basisausrichtung effizient und robust durchzuführen.