# Aangeleerde doelmaatstaf verbetert planningssucces in vier benchmarks

> Een nieuwe arXiv-paper meldt dat het rangschikken van toestanden op basis van de tijd tot het doel het gemiddelde planningssucces in vier benchmarks verhoogde van 32.7% naar 63.0%.

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

Datum van gebeurtenis: 2026-11-04

Een nieuwe methode, Time-to-Goal (T2G), moet robots helpen langere routes te plannen door lagere kosten toe te kennen aan toestanden die in tijd dichter bij een doel liggen. De onderzoekers trainen de methode met offline trajectgegevens, zonder labels voor beloningen of beleid, en gebruiken haar in plaats van de gebruikelijke Euclidische doelkosten. De encoder en voorspeller van het wereldmodel blijven daarbij bevroren.

Volgens de resultaten in de paper verhoogde T2G het gemiddelde planningssucces van 32.7% naar 63.0% in vier benchmarks voor navigatie en manipulatie. Daarmee benaderde T2G de prestaties van hiërarchische JEPA-baselines, en soms overtrof de methode die zelfs. De paper is op November 4, 2026 ingediend bij arXiv.

## De feiten

- Gemiddeld planningssucces volgens de paper: 32.7% met flat LeWM en 63.0% met T2G in vier benchmarks.
- Volgens de paper leert T2G van offline trajecten en zijn labels voor beloningen of beleid niet nodig.

## Waarom het ertoe doet

Voor roboticaonderzoekers die vlakke wereldmodellen gebruiken, wijzen de gemelde resultaten erop dat een aangeleerde maatstaf voor doelkosten het planningssucces in benchmarks kan verbeteren zonder de encoder of voorspeller van het model opnieuw te trainen. De prestaties op echte robots zijn hier niet vastgesteld.

## Bronnen en referenties

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

Laatst bijgewerkt: 2026-11-05