# Métrica aprendida de distância ao objetivo melhora o planejamento

> Um novo artigo no arXiv relata que classificar estados pelo tempo até o objetivo elevou o sucesso médio no planejamento de 32,7% para 63,0% em quatro benchmarks.

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

Data do evento: 2026-11-04

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.

## Os fatos

- Sucesso médio relatado no planejamento: 32,7% com o LeWM plano; 63,0% com o T2G em quatro benchmarks.
- Segundo o artigo, o T2G aprende com trajetórias offline e não exige rótulos de recompensa nem de política.

## 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.

## Fontes e referências

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

Última atualização: 2026-11-05