Рассматривается проблема планирования движения в двумерной среде на базе нейронных сетей глубокого обучения. Как известно, глубокие нейронные сети требуют больших объемов данных и предъявляют высокие вычислительные требования к средствам обучения. Отсутствие достаточного объема данных приводит к снижению точности нейронной сети, а высокие вычислительные требования на стадии обучения ограничивают применение данной технологии в инженерной практике. В данной работе исследуются формы представления карты среды для подачи на вход нейронной сети. Векторная форма позволяет сократить объем информации, подаваемой на вход нейронной сети, однако она приводит к необходимости использовать более сложные нейронные сети. В данной статье предложена комбинированная форма представления, включающая векторную глобальную и локальную растровую карты. Векторная часть карты включает в себя положение робота, положение целевой точки и описание препятствий, аппроксимированных прямоугольной формой. Локальная растровая карта описывает ближайшую к роботу область в текущий момент времени. С помощью численного исследования показана эффективность такой формы представления данных для сверточной нейронной сети по сравнению с растровым представлением карты. Для повышения точности работы нейронной сети и устранения зацикливаний также используется уменьшение числа возможных направлений движения. Исследованы две структуры нейронных сетей, в одной из которых используется восемь возможных направлений движения, а в другой — три возможных направления движения. Показано, что при использовании трех возможных направлений устраняются зацикливания траекторий, планируемых нейронной сетью, что приводит к повышению точности. Применение векторно-растрового описания среды позволяет повысить вероятность успешного достижения целевой точки на 5...10 % по сравнению с растровым описанием среды. Также исследовано влияние числа сверточных слоев и гиперпараметров на точность обучения.