Um novo método chamado Time-to-Goal (T2G) busca ajudar robôs a planejar trajetórias mais longas, atribuindo custos menores a estados que estão temporalmente mais próximos do objetivo. Os pesquisadores treinam o método com dados de trajetórias offline, sem rótulos de recompensa ou de política, e o usam no lugar do custo euclidiano habitual até o objetivo, mantendo congelados o codificador e o preditor do modelo de mundo.
Nos resultados apresentados no artigo, o T2G elevou o sucesso médio no planejamento de 32,7% para 63,0% em quatro benchmarks de navegação e manipulação, chegando perto ou, às vezes, superando os modelos JEPA hierárquicos usados como referência. O artigo foi enviado ao arXiv em 4 de novembro de 2026.
Por que importa
Para pesquisadores de robótica que usam modelos de mundo planos, os resultados relatados sugerem que uma métrica aprendida de custo até o objetivo pode melhorar o sucesso no planejamento em benchmarks sem retreinar o codificador ou o preditor do modelo; o desempenho em robôs reais não foi estabelecido neste estudo.
