# Inlärd målfunktion ökar planeringsframgången i fyra tester

> En ny arXiv-artikel rapporterar att rangordning av tillstånd efter tiden till målet ökade den genomsnittliga planeringsframgången från 32,7 % till 63,0 % i fyra tester.

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

Händelsedatum: 2026-11-04

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.

## Fakta

- Rapporterad genomsnittlig planeringsframgång: 32,7 % med flat LeWM; 63,0 % med T2G i fyra tester.
- Enligt artikeln lär sig T2G från offline-banor och kräver inga etiketter för belöning eller policy.

## 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.

## Källor och referenser

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

Senast uppdaterad: 2026-11-05