우리는 보지 못한 환경 기하학(environment geometries)에 대해 제로샷 전이(zero-shot transfer)가 가능한 학습된 반응형 항법 함수인 Neural Navigation Functions (Neural-NF)를 소개합니다. Neural-NF는 데이터 기반 적응(data-driven adaptation)을 구조화된 타원형 플래너(elliptic planner) 내에 배치하며, 여기서 플래너의 구조는 구성 방식에 의해 보존되는 동시에 항법 목적 함수(navigation objective)가 학습됩니다. 구체적으로, 고유 라플라시안(intrinsic Laplacian)에서 유도된 특징(features)들이 국소 편미분 방정식(local PDE) 계수들로 매핑되며, 결과적으로 발생하는 경계값 문제(boundary value problem)를 해결함으로써 각 대상 도메인에서 전역적으로 일관된 가치 함수(value function)를 생성합니다. 허용 가능한 모든 학습된 모델에 대해, 결과적으로 도출되는 정책(policy)은 구성 방식에 의해 충돌이 없고(collision-free), 단조 감소(monotonic descent)를 제공하며, 목표 지점에서 전역 최솟값(global minimum)을 가집니다. 이는 어떠한 파라미터 설정에 대해서도 선형 해결 가능한 최적 제어(linearly-solvable optimal-control) 해석을 허용합니다. 실증적으로, Neural-NF는 다양한 기하학적 구조에 대해 강력한 제로샷 전이를 달성하며, 가치 함수를 직접 예측하는 학습된 플래너들보다 최대 $5 imes$ 향상된 성능을 보여줍니다.