La investigación actual en robótica experimental se ha centrado en métodos de navegación tradicionales basados en costos. Estos métodos asignan un valor de utilidad para ocupar ciertas ubicaciones en el entorno. Un algoritmo de planificación de rutas utiliza esta función de costo para calcular un camino óptimo en relación con las posiciones de los obstáculos, basándose en la proximidad, la visibilidad y la eficiencia del trabajo. Sin embargo, ajustar esta función para inducir comportamientos de navegación más complejos en el robot no es sencillo. Por ejemplo, este esquema basado en costos tiende a ser pesimista al asignar costos de travesía a obstáculos negativos. A menudo es más simple asignar altos costos de travesía a las celdas del mapa de costos en función de la elevación. Esto obliga al algoritmo de planificación a planificar alrededor de terrenos irregulares en lugar de explorar técnicas que entiendan si y cómo atravesarlos de manera segura. En este artículo, se aplica el aprendizaje por imitación a la tarea de travesía de obstáculos negativos con Vehículos Terrestres No Tripulados (UGVs). Específicamente, este trabajo introduce una nueva representación del estado basada en nubes de puntos de la forma del terreno local y emplea el aprendizaje por imitación para entrenar un controlador de movimiento reactivo para la detección y travesía de obstáculos negativos. Este método se compara con un planificador de movimiento clásico que utiliza el enfoque de ventana dinámica (DWA) para asignar costos de travesía en función de la pendiente del terreno local a la pose actual del robot.