# Una metrica appresa per gli obiettivi migliora la pianificazione

> Un nuovo articolo su arXiv riferisce che valutare gli stati in base al tempo necessario per raggiungere l’obiettivo ha aumentato il successo medio nella pianificazione dal 32.7% al 63.0% in quattro benchmark.

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

Data dell’evento: 2026-11-04

Un nuovo metodo chiamato Time-to-Goal (T2G) mira ad aiutare i robot a pianificare percorsi più lunghi assegnando costi inferiori agli stati che richiedono meno tempo per raggiungere un obiettivo. I ricercatori lo addestrano su dati di traiettorie offline, senza etichette di ricompensa o di policy, e lo usano al posto del consueto costo euclideo verso l’obiettivo, mantenendo congelati l’encoder e il predittore del modello del mondo.

Nei risultati riportati nell’articolo, T2G ha aumentato il successo medio nella pianificazione dal 32.7% al 63.0% in quattro benchmark di navigazione e manipolazione, avvicinandosi ai risultati delle baseline gerarchiche JEPA o, in alcuni casi, superandoli. L’articolo è stato inviato ad arXiv il November 4, 2026.

## I fatti

- Successo medio nella pianificazione riportato: 32.7% con LeWM flat; 63.0% con T2G in quattro benchmark.
- Secondo l’articolo, T2G apprende da traiettorie offline e non richiede etichette di ricompensa o di policy.

## Perché conta

Per i ricercatori di robotica che usano modelli del mondo non gerarchici, i risultati riportati suggeriscono che una metrica appresa per calcolare il costo verso l’obiettivo potrebbe migliorare il successo nella pianificazione sui benchmark senza riaddestrare l’encoder o il predittore del modello; qui non viene dimostrato che le prestazioni siano analoghe sui robot reali.

## Fonti e riferimenti

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

Ultimo aggiornamento: 2026-11-05