AI-translated from English; not yet reviewed by a fluent editor.

# H-JEPA శ్రేణీకృత ప్రపంచ నమూనాతో అనుకరణ పనుల్లో దృశ్య ప్రణాళికను మెరుగుపరుస్తుంది

> H-JEPA మూడు-స్థాయి ప్రణాళికకర్త అనుకరణ AntMazeలో విజయాన్ని 18% నుంచి 73%కు పెంచుతూ ప్రణాళిక గణనను తగ్గిస్తుంది. నిజ రోబోట్ వీడియోలపై ఫలితాలు ఆఫ్‌లైన్ మార్గ విశ్వసనీయతను కొలుస్తాయి; రోబోట్ పని పూర్తి చేసిందా అనేది కాదు.

By BIG CHANGE Editorial

Published: 2026-10-12T02:56:09.290Z
Updated: 2026-10-12T02:56:09.290Z
Canonical: https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning

![A small orange sphere rests inside a raised tabletop maze, with a segmented orange route visible through the passages.](https://bigchange.ai/api/media/file/hjepa-maze-concept-hero-v2.png)
AI-generated conceptual illustration of hierarchical navigation planning by BIG CHANGE. The maze is not the AntMaze environment or a physical robot test.

H-JEPA వెనుక ఉన్న పరిశోధకులు [H-JEPA ](https://arxiv.org/html/2610.06805v1)ద్వారా దృశ్య ప్రపంచ నమూనా పలు కాల ప్రమాణాల్లో ప్రణాళిక చేయగల మార్గాన్ని చూపించారు. ఒక అనుకరణ చిట్టడవిలో వారి మూడు-స్థాయి ప్రణాళికకర్త 73% పనులు పూర్తి చేసింది; సరళ నమూనా 18% మాత్రమే చేసింది, అలాగే ప్రణాళిక గణన తక్కువగా ఉంది. అక్టోబర్ 5 పరిశోధనా పత్రం నిజ రోబోట్‌ల రికార్డ్ చేసిన వీడియోలను కూడా పరీక్షిస్తుంది, కానీ ఆ పరీక్షల్లో ప్రతిపాదిత మార్గాలకు ఆఫ్‌లైన్ స్కోరు ఇస్తారు; రోబోట్ ప్రణాళికను అమలు చేయడం చూపించరు.

రోబోటిక్స్ పరిశోధకులు, ఇంజినీర్లకు ఉపయోగకరమైన ప్రశ్న: దీర్ఘ ప్రణాళికను చిన్న దశలుగా విభజించడం వల్ల మెరుగుదల వచ్చిందా, లక్ష్యం దిశగా పురోగతిని మెరుగ్గా కొలిచే విధానం నేర్చుకోవడం వల్ల వచ్చిందా, లేక రెండింటివల్లనా? పత్రం ఈ వివరణలను విడివిడిగా పరీక్షిస్తుంది. దృశ్య ప్రణాళిక పరిశోధనకు ఫలితాలు ఆశాజనకమైనా, భౌతిక రోబోట్‌ల గురించి తేల్చగల విషయాలకు ముఖ్యమైన పరిమితులున్నాయి.

## ప్రధాన మార్పు

- **ఏమి మారింది:** H-JEPA చర్యలపై ఆధారపడే అంచనా నమూనాల శ్రేణిని శిక్షణ ఇస్తుంది. ప్రతి స్థాయి తన స్వంతంగా నేర్చుకున్న ప్రతినిధిత్వంలో మరింత ముందుకు చూస్తుంది; ప్రణాళికకర్త పైస్థాయి అంచనా స్థితులను కింది స్థాయి ఉపలక్ష్యాలుగా మారుస్తుంది.
- **ఇది ఎందుకు ముఖ్యం:** Visual AntMazeలో మూడు-స్థాయి ప్రణాళిక 73.3% విజయాన్ని, సరళ ఆధార నమూనా 18.0% విజయాన్ని సాధించాయని రచయితలు నివేదించారు. అబ్లేషన్లు చిన్న ప్రణాళిక విభాగాలు, పైస్థాయి మరింత ఉపయోగకరమైన లక్ష్య ప్రతినిధిత్వం రెండూ దోహదపడతాయని సూచిస్తున్నాయి. శ్రేణీకరణను విడదీయలేని ఒకే మెరుగుదలగా చూడకుండా రోబోటిక్స్ బృందం ఈ రెండు విధానాలను విడిగా పరిశీలించవచ్చు.
- **ఏమి గమనించాలి:** నాలుగు పనుల పరిసరాలన్నీ అనుకరణలే. అదనపు DROID పరీక్ష ప్రణాళిక చేసిన రోబోట్ చేయి మార్గాలను రికార్డ్ చేసిన నిపుణుల మార్గాలతో పోలుస్తుంది; వైవిధ్యమైన భౌతిక పరిసరాల్లో క్లోజ్డ్-లూప్ పరీక్ష ఇంకా తెరిచి ఉన్న మరో ప్రశ్నకు సమాధానం ఇస్తుంది.

## పలు కాల ప్రమాణాల్లో ప్రణాళిక

చర్య తర్వాత పరిసరం ఎలా మారవచ్చో ప్రపంచ నమూనా అంచనా వేస్తుంది. H-JEPA ఉమ్మడి-ఎంబెడ్డింగ్ అంచనా నిర్మాణం, లేదా JEPA, ఉపయోగిస్తుంది; ప్రతి చిత్రం పిక్సెల్‌ను తిరిగి నిర్మించకుండా భవిష్యత్ పరిశీలనల సంక్షిప్త ప్రతినిధిత్వాలను అంచనా వేస్తుంది. దాని [పరిశోధనా పత్రం ](https://arxiv.org/html/2610.06805v1) పరిశీలన, చర్యల పథాలపై సంయుక్తంగా శిక్షణ పొందిన శ్రేణిని వివరిస్తుంది. అత్యల్ప స్థాయి అత్యంత సూక్ష్మ కాల అడుగులను అనుసరిస్తుంది. ప్రతి పైస్థాయి కింది స్థాయి నుంచి ప్రతినిధిత్వాలను పొంది, ఎక్కువ వ్యవధిలో చర్యలను కలిపి, వేరు latent spaceలో మరింత ముందుకు అంచనా వేస్తుంది.

ప్రస్తుత పరిశీలన, లక్ష్య పరిశీలనతో ప్రణాళిక మొదలవుతుంది. పైస్థాయి లక్ష్యానికి సుమారు మార్గం వెతుకుతుంది. దాని అంచనా స్థితులు తర్వాతి స్థాయికి దారి చూపి మార్గాన్ని మెరుగుపరుస్తాయి. అత్యల్ప స్థాయి చర్యలను ఉత్పత్తి చేస్తుంది. అనుకరణ క్లోజ్డ్-లూప్ మూల్యాంకనాల్లో వ్యవస్థ మొదటి చర్యల భాగాన్ని అమలు చేసి, వచ్చిన స్థితిని చూసి మళ్లీ ప్రణాళిక చేస్తుంది. పరిశోధకులు దాన్ని LeWMతో పోలుస్తారు—ఒంటరిగా శిక్షణ పొంది ప్రణాళికకు ఉపయోగించిన అదే మొదటి-స్థాయి JEPA—మరియు స్థాయిలు ఒకే ప్రతినిధిత్వాన్ని పంచుకునే కాలిక శ్రేణితోనూ పోలుస్తారు.

చిట్టడవిలో వేర్వేరు ప్రతినిధిత్వాలు ముఖ్యం, ఎందుకంటే లక్ష్యం ఒక చోటుకు చేరడమై ఉండవచ్చు, కానీ చీమ కాళ్ల భంగిమ వేగంగా మారుతుంది. H-JEPA పైస్థాయిలు చీమ స్థానాన్ని నిలిపి, కాళ్ల భంగిమ వివరాలను తిరిగి గుర్తించడం కష్టతరం చేశాయని రచయితల పరీక్షలు చూపాయి. FourRoomలోనూ ఇలాంటి నమూనా కనిపించింది: స్వతంత్రంగా కదిలే దృష్టి మళ్లింపు పైస్థాయిల్లో తక్కువగా కనిపించింది. మానిప్యులేషన్ డేటాసెట్లలో ఈ ప్రభావం చాలా బలహీనంగా ఉండింది; కొలిచిన వేగ, నెమ్మది కదలికల మధ్య తేడా తక్కువ. సూక్ష్మ వివరాలను వదిలేయడం ప్రతి పనికీ ప్రయోజనకరమని పత్రం నిర్ధారించదు.

## పోలికలు ఏమి చూపిస్తున్నాయి

Visual AntMaze, FourRoom Distractorsలో నావిగేషన్‌ను, Push-T, OGBench Cubeలో మానిప్యులేషన్‌ను రచయితలు మూల్యాంకనం చేశారు. ఇవి స్థిర కెమెరాలు, నేపథ్యాలతో కూడిన అనుకరణ పనులు. వేర్వేరు ప్రణాళిక బడ్జెట్లలో స్థాయిలను మూడువరకు పెంచడం వల్ల AntMaze, FourRoom, Cubeలో విజయం-గణన సమతుల్యత మెరుగైంది. Push-T మాత్రం మినహాయింపు: పరీక్షించిన బడ్జెట్లలో రెండు స్థాయిలు సరళ ఆధార నమూనాతో సమానంగా లేదా మెరుగ్గా ఉండగా, మూడు స్థాయిల పనితీరు బలహీనంగా ఉంది. చిన్న ఎపిసోడ్‌ల వల్ల లోతైన నమూనాలకు ఉపయోగపడే శిక్షణ క్లిప్‌లు తక్కువగా ఉంటాయని రచయితలు సూచించారు.

వేరే AntMaze పనుల సమూహంలో సరళ LeWM ఆధార నమూనా సగటు విజయం **18.0%; ప్రమాణ దోషం 3.5 శాతం పాయింట్లు** కాగా, పూర్తి మూడు-స్థాయి H-JEPA ప్రణాళిక సగటు **73.3%; ప్రమాణ దోషం 3.5 శాతం పాయింట్లు** సాధించింది. నమూనా, ప్రణాళికకర్తల మూడు జతల random seedలపై రచయితలు నివేదించిన సగటులు ఇవి. పత్రంలోని [విజయం-ప్రణాళిక FLOPs పోలిక ](https://arxiv.org/html/2610.06805v1) కూడా తక్కువగా కొలిచిన ప్రణాళిక గణనతో శ్రేణీకరణ అధిక విజయం సాధించిందని చూపుతుంది. రోబోట్ శిక్షణ, అమలుకు అయ్యే మొత్తం ఖర్చును ఇది కొలవదు.

అబ్లేషన్లు ప్రతి అంశం పాత్రను స్పష్టం చేస్తాయి. ఒకే ప్రతినిధిత్వం పంచుకునే కాలిక శ్రేణి నాలుగు పరిసరాలన్నింటిలో సరళ ఆధార నమూనాను మించిపోయింది; ప్రణాళికను విభజించడంలో విలువ ఉందని ఇది సూచిస్తుంది. AntMazeలో పైస్థాయి ప్రతినిధిత్వాన్ని సరళ ప్రణాళికకర్త అంచనా వేసిన లక్ష్య దూరానికి స్కోరు ఇవ్వడానికే ఉపయోగించినా విజయం పెరిగింది. అయినప్పటికీ ఆ మార్పు ఒక్కటే పూర్తి శ్రేణీకృత ప్రణాళికకర్త సగటు 73.3%ను చేరలేదు. ఈ మూల్యాంకనంలో రెండు ప్రభావాలు పరస్పరపూరకాలు. ఎంపికాత్మక సారాంశీకరణ తక్కువగా కనిపించిన Push-T, Cubeలో లక్ష్య వ్యయ ప్రతినిధిత్వాన్ని మాత్రమే మార్చడం స్పష్టమైన ప్రయోజనం ఇవ్వలేదు.

## నిజ రోబోట్ వీడియోల పరిమితి

పరిశోధకులు [DROID రోబోట్ మానిప్యులేషన్ వీడియోలు](https://arxiv.org/html/2610.06805v1) కూడా ఉపయోగించారు. రికార్డ్ చేసిన ఎపిసోడ్‌లలో దృశ్యాలు, వస్తువులు, వెలుతురు మారుతాయి. అటువంటి పరిస్థితుల్లో పూర్తిగా అంచనాపైనే ఆధారపడే నమూనా స్థిర నేపథ్యానికి ప్రాధాన్యమిచ్చి కదిలే రోబోట్ సమాచారాన్ని కోల్పోవచ్చని పత్రం చెబుతుంది. ప్రతినిధిత్వంలో ఏజెంట్ కదలిక ఉండేలా, వరుసగా నేర్చుకున్న స్థితుల మధ్య చర్యను ఊహించే భాగానికి శిక్షణ ఇస్తూ బృందం inverse-dynamics loss జోడించింది. ఆ చేరికతో నేర్చుకున్న రెండు-స్థాయి శ్రేణి పత్రంలోని ఆఫ్‌లైన్ ప్రణాళిక-విశ్వసనీయత కొలమానంలో సరళ ఆధార నమూనాను మించింది; ప్రణాళిక గణన కూడా తగ్గింది.

ఈ కొలమానం ప్రతిపాదిత త్రిమితీయ end-effector మార్గాన్ని రికార్డింగ్‌లోని నిపుణుల మార్గంతో పోలుస్తుంది. పత్రపు calibration ప్రకారం నిపుణుల మార్గానికి 100%, కదలని చేయికి 0%. ప్రతిపాదిత చర్యలు చేసిన తర్వాత రోబోట్ పని పూర్తి చేస్తుందా అనేది ఇది కొలవదు. మారే దృశ్యాలకు డేటాసెట్‌లో simulator లేకపోవడంతో రచయితలు DROID ప్రణాళికలను open-loopగా మూల్యాంకనం చేశారు. BIG CHANGE నమూనాకు శిక్షణ ఇవ్వలేదు, [పబ్లిక్ కోడ్](https://github.com/kevinghst/H-JEPA)నడపలేదు, రోబోట్‌ను పరీక్షించలేదు.

కోడ్ రిపాజిటరీలో శిక్షణ, ప్రణాళిక స్క్రిప్ట్‌లు మరియు పత్రంలోని ఎంపిక చేసిన చిత్రాలు, పట్టికలను పునరుత్పత్తి చేసే సూచనలు ఉన్నాయి. పరిశోధకులు విధానాన్ని పరిశీలించవచ్చు, కానీ పత్రం ఇంకా preprint మాత్రమే; భౌతిక ప్రపంచ ఆధారాలు ఆఫ్‌లైన్‌కే పరిమితం. మా మునుపటి [GPT-Policy కథనం ](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents)సందర్భ ఉదాహరణలు, రోబోట్ సాధన అభ్యర్థనలపై ఆధారపడే వేరే విధానాన్ని వివరిస్తుంది; దాని ఫలితాలు H-JEPA ప్రపంచ-నమూనా ప్రణాళికను ధృవీకరించవు.

## మూలాలు, మరింత చదవడానికి

- [Zhang తదితరులు, “H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning,” arXiv v1](https://arxiv.org/html/2610.06805v1): 2026 అక్టోబర్ 5న సమర్పించిన ప్రధాన preprint. 2–4 విభాగాలు, ప్రణాళిక అనుబంధం విధానం, simulator పోలికలు, మూడు seedల AntMaze గణాంకాలు, DROID ఆఫ్‌లైన్ ప్రోటోకాల్‌ను వివరిస్తాయి. ఇవి రచయితల ఫలితాలు; స్వతంత్ర పునరావృతం లేదా భౌతిక అమలు ఆధారాలు కావు.
- [H-JEPA ప్రాజెక్టు పేజీ](https://h-jepa.com/): శ్రేణీకృత అంచనా, పై నుంచి కిందకు ప్రణాళిక, నాలుగు అనుకరణ పరిసరాలు, DROID విశ్వసనీయత పరీక్షపై రచయితల దృశ్య వివరణ. ఉదాహరణలు నివేదించిన ప్రయోగాలను చూపుతాయి; ఎంపిక చేసిన వీడియోలు ప్రతి trial పనితీరు డేటా కావు.
- [H-JEPA పబ్లిక్ కోడ్ రిపాజిటరీ](https://github.com/kevinghst/H-JEPA): రచయితల శిక్షణ, ప్రణాళిక అమలు, పరిసరాల జాబితా, ఎంపిక చేసిన ఫలితాల పునరుత్పత్తి సూచనలు. BIG CHANGE రిపాజిటరీ వివరణ, సూచనలు పరిశీలించింది; కోడ్ నడపలేదు.
- [BIG CHANGE, “GPT-Policy రోబోట్ చేయి, మొబైల్ అన్వేషణ పనుల్లో సందర్భాన్ని పరీక్షిస్తుంది”](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents): వేరే రోబోటిక్స్ పరిశోధనా విధానంపై మునుపటి కథనం. సందర్భాన్ని ఇస్తుంది, H-JEPA ఫలితాలకు ఆధారం కాదు.

## Sources

- [H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning, arXiv v1](https://arxiv.org/html/2610.06805v1) — విధానం, నాలుగు అనుకరణ పనుల మూల్యాంకనం, AntMaze ఫలితాలు మరియు అబ్లేషన్లు, DROID ఆఫ్‌లైన్ Fréchet-విశ్వసనీయత ప్రోటోకాల్‌పై ప్రధాన preprint. రచయితలు సాధించిన ఫలితాలు; స్వతంత్ర పునరావృతం లేదా భౌతిక అమలు కాదు.
- [H-JEPA రచయితల ప్రాజెక్టు పేజీ](https://h-jepa.com/) — శ్రేణి, ప్రయోగాలపై రచయితల వివరణ పేజీ, దృశ్య ఉదాహరణలు. ఎంపిక చేసిన వీడియోలు ఫలితాలను చూపుతాయి, కానీ trial-వారీ ఫలిత డేటాను ఇవ్వవు.
- [H-JEPA పబ్లిక్ కోడ్ రిపాజిటరీ](https://github.com/kevinghst/H-JEPA) — రచయితల శిక్షణ/ప్రణాళిక అమలు, ఎంపిక చేసిన చిత్రాలు, పట్టికల పునరుత్పత్తి సూచనలు. BIG CHANGE దీన్ని పత్రంగా పరిశీలించింది; కోడ్ నడపలేదు.
- [BIG CHANGE, GPT-Policy రోబోట్ చేయి, మొబైల్ అన్వేషణ పనుల్లో సందర్భాన్ని పరీక్షిస్తుంది](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) — వేరే రోబోటిక్స్ విధానం, ప్రయోగంపై ముందరి సంబంధిత కథనం. సందర్భం మాత్రమే; followUpTo సంబంధం లేదు.