# 学习型目标度量提升四项基准测试中的规划成功率

> 一篇新的 arXiv 论文称，在四项基准测试中，按到达目标所需时间对状态排序，使平均规划成功率从 32.7% 提升至 63.0%。

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

事件日期: 2026-11-04

一种名为 Time-to-Goal（T2G）的新方法，旨在通过降低距离目标所需时间更短的状态的成本，帮助机器人规划更长的路线。研究人员使用离线轨迹数据对其进行训练，不需要奖励或策略标签；随后用它替代常见的欧几里得目标成本，同时保持世界模型的编码器和预测器冻结。

论文报告称，在四项导航与操作基准测试中，T2G 将平均规划成功率从 32.7% 提升至 63.0%，接近分层 JEPA 基线，有时甚至超过它们。该论文于 2026 年 11 月 4 日提交至 arXiv。

## 事实

- 论文报告的平均规划成功率：扁平 LeWM 为 32.7%；T2G 在四项基准测试中为 63.0%。
- 论文称，T2G 从离线轨迹中学习，无需奖励或策略标签。

## 为什么重要

对于使用扁平世界模型的机器人研究人员来说，这些结果表明，学习型目标成本度量或许能提升基准测试中的规划成功率，而无需重新训练模型的编码器或预测器；但文中尚未证明其在真实机器人上的表现。

## 来源与参考

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

最后更新: 2026-11-05