# مقياس تعلّمي للهدف يرفع نجاح التخطيط في أربعة معايير

> تذكر ورقة جديدة على arXiv أن ترتيب الحالات بحسب الزمن اللازم للوصول إلى الهدف رفع متوسط نجاح التخطيط من 32.7% إلى 63.0% عبر أربعة معايير.

Oossa · 2026-11-05 · https://oossa.com/ar/a-learned-goal-metric-lifts-planning-success-in-four-benchmarks

تاريخ الحدث: 2026-11-04

تهدف طريقة جديدة تُسمى Time-to-Goal (T2G) إلى مساعدة الروبوتات على تخطيط مسارات أطول، عبر منح الحالات الأقرب زمنياً إلى الهدف تكاليف أقل. ويدرّبها الباحثون على بيانات مسارات محفوظة، من دون تسميات للمكافآت أو السياسات، ويستخدمونها بدلاً من تكلفة الهدف الإقليدية المعتادة، مع إبقاء مُرمِّز نموذج العالم والمتنبئ فيه مجمّدين.

بحسب النتائج الواردة في الورقة، رفعت T2G متوسط نجاح التخطيط من 32.7% إلى 63.0% عبر أربعة معايير للملاحة والتعامل مع الأشياء، مقتربةً من خطوط الأساس الهرمية JEPA، بل متجاوزةً إياها أحياناً. وقد قُدّمت الورقة إلى arXiv في November 4, 2026.

## الحقائق

- متوسط نجاح التخطيط المعلن: 32.7% مع flat LeWM، و63.0% مع T2G عبر أربعة معايير.
- تقول الورقة إن T2G تتعلم من مسارات محفوظة ولا تحتاج إلى تسميات للمكافآت أو السياسات.

## لماذا يهم

بالنسبة إلى باحثي الروبوتات الذين يستخدمون نماذج عالم مسطّحة، تشير النتائج المعلنة إلى أن مقياساً تعلّمياً لتكلفة الوصول إلى الهدف قد يحسّن نجاح التخطيط في المعايير، من دون إعادة تدريب مُرمِّز النموذج أو المتنبئ فيه؛ لكن أداء الطريقة على روبوتات حقيقية لم يُثبت هنا.

## المصادر والمراجع

1. [Time-to-Goal: Learned Temporal Metrics for Long-Horizon Planning with JEPA World Models](https://arxiv.org/abs/2611.05847) – arXiv cs.RO, 2026-11-05

آخر تحديث: 2026-11-05