En ny metod, Time-to-Goal (T2G), ska hjälpa robotar att planera längre rutter genom att tilldela lägre kostnader till tillstånd som ligger närmare målet i tid. Forskarna tränar metoden på offline-data från banor, utan etiketter för belöning eller policy, och använder den i stället för den vanliga euklidiska målkostnaden, samtidigt som världsmodellens kodare och prediktor hålls frysta.
I resultat som redovisas i artikeln ökade T2G den genomsnittliga planeringsframgången från 32,7 % till 63,0 % i fyra tester inom navigering och manipulation. Resultaten närmade sig eller överträffade ibland de hierarkiska JEPA-baslinjerna. Artikeln skickades in till arXiv den 4 november 2026.
Varför det spelar roll
För robotikforskare som använder platta världsmodeller tyder resultaten på att en inlärd målkostnadsfunktion kan förbättra planeringsresultaten i tester utan att modellens kodare eller prediktor behöver tränas om. Här fastställs inte hur metoden fungerar på verkliga robotar.
