# Обученная метрика цели повысила успех планирования в четырёх тестах

> В новой статье на arXiv сообщается, что ранжирование состояний по времени до цели повысило средний успех планирования с 32.7% до 63.0% в четырёх тестах.

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

Дата события: 2026-11-04

Новый метод Time-to-Goal (T2G) призван помочь роботам планировать более длинные маршруты: он назначает меньшую стоимость состояниям, до которых от текущего момента меньше времени до достижения цели. Исследователи обучают его на офлайн-данных о траекториях, без меток вознаграждения или политики, и используют вместо стандартной евклидовой стоимости достижения цели. При этом энкодер и предиктор модели мира остаются замороженными.

Согласно результатам, приведённым в статье, T2G повысил средний успех планирования с 32.7% до 63.0% в четырёх тестах навигации и манипуляций, приблизившись к результатам иерархических базовых моделей JEPA, а иногда и превзойдя их. Статья была отправлена на arXiv 4 ноября 2026 года.

## Факты

- Заявленный средний успех планирования: 32.7% у плоской LeWM и 63.0% с T2G в четырёх тестах.
- Согласно статье, T2G обучается на офлайн-траекториях и не требует меток вознаграждения или политики.

## Почему это важно

Для исследователей в области робототехники, использующих плоские модели мира, приведённые результаты позволяют предположить, что обученная метрика стоимости достижения цели может повысить успех планирования в тестах без переобучения энкодера или предиктора модели. Результаты на реальных роботах в статье не подтверждены.

## Источники и ссылки

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

Обновлено: 2026-11-05