# 학습한 목표 지표, 4개 벤치마크서 계획 성공률 높여

> 새 arXiv 논문에 따르면 목표까지 걸리는 시간을 기준으로 상태의 순위를 매겼을 때 4개 벤치마크의 평균 계획 성공률이 32.7%에서 63.0%로 높아졌다.

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

사건 날짜: 2026-11-04

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.

## 팩트

- 보고된 평균 계획 성공률: 4개 벤치마크에서 기본 LeWM은 32.7%, T2G는 63.0%.
- 논문에 따르면 T2G는 오프라인 궤적에서 학습하며 보상이나 정책 레이블이 필요하지 않다.

## 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.

## 출처 및 참고 자료

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

최종 업데이트: 2026-11-05