# Una métrica aprendida de objetivos mejora la planificación en cuatro pruebas

> Un nuevo artículo de arXiv informa que ordenar los estados según el tiempo hasta alcanzar un objetivo elevó el éxito medio de la planificación del 32.7% al 63.0% en cuatro pruebas.

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

Fecha del evento: 2026-11-04

Un nuevo método llamado Time-to-Goal (T2G) busca ayudar a los robots a planificar rutas más largas asignando costes menores a los estados que requieren menos tiempo para llegar a un objetivo. Los investigadores lo entrenan con datos de trayectorias sin conexión, sin etiquetas de recompensa ni de política, y lo usan en lugar del coste euclidiano habitual hasta el objetivo, manteniendo congelados el codificador y el predictor del modelo del mundo.

Según los resultados del artículo, T2G elevó el éxito medio de la planificación del 32.7% al 63.0% en cuatro pruebas de navegación y manipulación, y se acercó a los resultados de las referencias jerárquicas JEPA o, en algunos casos, los superó. El artículo se envió a arXiv el November 4, 2026.

## Los hechos

- Éxito medio de planificación reportado: 32.7% con LeWM plano; 63.0% con T2G en cuatro pruebas.
- El artículo señala que T2G aprende de trayectorias sin conexión y no requiere etiquetas de recompensa ni de política.

## Por qué importa

Para los investigadores en robótica que usan modelos del mundo planos, los resultados reportados sugieren que una métrica aprendida del coste de alcanzar un objetivo podría mejorar el éxito en pruebas de planificación sin volver a entrenar el codificador ni el predictor del modelo; aquí no se establece el rendimiento en robots reales.

## Fuentes y referencias

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

Última actualización: 2026-11-05