본 논문은 복잡하고 동적인 환경에서 로봇의 샘플링 기반 최적 경로 계획 문제를 연구합니다. 기존 샘플링 기반 알고리즘이 환경 정보나 이전 샘플 정보를 무시하는 점을 지적하며, 이러한 정보 활용이 다음 상태를 샘플링하는 데 더 나은 휴리스틱을 제공할 수 있음을 강조합니다. 본 논문에서는 RRT* 알고리즘과 Transformer 네트워크를 결합한 새로운 샘플링 기반 계획 알고리즘인 RRTformer를 제안합니다. Transformer는 환경에서 특징을 추출하고 이전 샘플의 정보를 활용하여 샘플링 프로세스를 안내합니다. 실험 결과 RRT, Neural RRT* 등 기존 샘플링 기반 방식에 비해 경로 최적성과 샘플링 효율성 측면에서 상당한 개선을 보였습니다.
