# Gelernte Zielmetrik steigert Planungserfolg in vier Benchmarks

> Laut einer neuen arXiv-Arbeit erhöhte die Bewertung von Zuständen nach der Zeit bis zum Ziel den durchschnittlichen Planungserfolg in vier Benchmarks von 32,7 % auf 63,0 %.

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

Datum des Ereignisses: 2026-11-04

Eine neue Methode namens Time-to-Goal (T2G) soll Robotern dabei helfen, längere Routen zu planen. Dazu erhalten Zustände geringere Kosten, wenn sie zeitlich näher am Ziel liegen. Die Forschenden trainieren die Methode anhand von Offline-Trajektoriendaten – ohne Reward- oder Policy-Labels – und ersetzen damit die übliche euklidische Zielkostenfunktion. Der Encoder und der Prädiktor des Weltmodells bleiben dabei eingefroren.

Den in der Arbeit vorgestellten Ergebnissen zufolge steigerte T2G den durchschnittlichen Planungserfolg in vier Navigations- und Manipulations-Benchmarks von 32,7 % auf 63,0 %. Damit erreichte oder übertraf die Methode teilweise hierarchische JEPA-Baselines. Die Arbeit wurde am 4. November 2026 bei arXiv eingereicht.

## Die Fakten

- Gemeldeter durchschnittlicher Planungserfolg: 32,7 % mit flachem LeWM; 63,0 % mit T2G über vier Benchmarks hinweg.
- Laut der Arbeit lernt T2G aus Offline-Trajektorien und benötigt keine Reward- oder Policy-Labels.

## Warum es wichtig ist

Für Robotikforschende, die flache Weltmodelle einsetzen, legen die berichteten Ergebnisse nahe, dass eine gelernte Zielkostenmetrik den Planungserfolg in Benchmarks steigern könnte, ohne den Encoder oder den Prädiktor des Modells neu zu trainieren. Die Leistung auf realen Robotern ist damit nicht belegt.

## Quellen und Referenzen

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

Zuletzt aktualisiert: 2026-11-05