算法3：神经规划器训练集构造

输入：训练样本集，任务场景数据集 ${\mathcal{X}}_{obs}$ ，任务场景的隐藏表示集 $\mathcal{H}=\{h_1,h_2,\mathrm{...},h_n\}$ ，任务场景中可行路径的集 $\mathcal{P}=\left\{P_i\right|P_i=\{L_1,L_2,\mathrm{...},L_m\}\}$

输出：下一时刻位置

1.← $\varnothing$

2. $\mathcal{H}$ ←Encoder( ${\mathcal{X}}_{obs}$ )

3. $\mathcal{P}$ ←LoadPath()

4. for i←1 to N do//N代表任务场景的个数

5. forj←1 to M do //M代表第i个任务场景的可行路径条数

6. Length← $L_j^{P_i}$ .Length()// $L_j^{Pi}$ 代表第i个任务场景的第j条可行路径

7. Reverse←False

1 8. if Length > 0 then