Time-to-Goal(T2G)이라는 새 방법은 목표까지 걸리는 시간이 짧은 상태에 더 낮은 비용을 부여해 로봇이 더 긴 경로를 계획하도록 돕는다. 연구진은 보상이나 정책 레이블 없이 오프라인 궤적 데이터로 T2G를 학습시킨다. 그런 다음 월드 모델의 인코더와 예측기는 고정한 채, 기존에 사용하던 유클리드 거리 기반 목표 비용 대신 T2G를 적용한다.
논문에 보고된 결과에 따르면 T2G는 4개 내비게이션 및 조작 벤치마크의 평균 계획 성공률을 32.7%에서 63.0%로 끌어올려, 계층형 JEPA 기준 모델에 근접하거나 일부 경우 이를 넘어섰다. 이 논문은 2026년 11월 4일 arXiv에 제출됐다.
왜 중요한가
기본 월드 모델을 사용하는 로봇 연구자에게 이번 결과는 모델의 인코더나 예측기를 다시 학습하지 않고도 학습된 목표 비용 지표를 통해 벤치마크 계획 성공률을 높일 수 있음을 시사한다. 실제 로봇에서의 성능은 여기서 확인되지 않았다.
