Une nouvelle méthode, appelée Time-to-Goal (T2G), vise à aider les robots à planifier des trajets plus longs en attribuant un coût plus faible aux états qui sont temporellement plus proches d’un objectif. Les chercheurs l’entraînent à partir de données de trajectoires hors ligne, sans étiquettes de récompense ni de politique, et l’utilisent à la place du coût euclidien habituel jusqu’à l’objectif, tout en gardant figés l’encodeur et le prédicteur du modèle du monde.
Selon les résultats présentés dans l’article, T2G a fait passer le taux moyen de réussite en planification de 32.7% à 63.0% sur quatre benchmarks de navigation et de manipulation, se rapprochant des modèles JEPA hiérarchiques et les dépassant parfois. L’article a été soumis à arXiv le November 4, 2026.
Pourquoi c'est important
Pour les chercheurs en robotique qui utilisent des modèles du monde sans hiérarchie, ces résultats suggèrent qu’un indicateur de coût jusqu’à l’objectif appris pourrait améliorer les performances de planification sur les benchmarks sans réentraîner l’encodeur ni le prédicteur du modèle ; les performances sur de vrais robots ne sont pas établies ici.
