arXiv:2603.12231v2 Announce Type: replace 
Abstract: Learning good representations is essential for latent planning with world models. While pretrained visual encoders produce strong semantic visual features, they are not tailored to planning and contain information irrelevant -- or even detrimental -- to planning. Inspired by the perceptual straightening hypothesis in human visual processing, we introduce temporal straightening to improve representation learning for latent planning. Using a curvature regularizer that encourages locally straightened latent trajectories, we jointly learn an encoder and a predictor of a Joint-Embedding Predictive Architecture (JEPA) world model. We show that reducing curvature this way makes the Euclidean distance in latent space a better proxy for the geodesic distance and improves the conditioning of the planning objective. We demonstrate empirically that temporal straightening makes gradient-based planning more stable and yields significantly higher success rates across a suite of goal-reaching tasks. Our code is available at https://agenticlearning.ai/temporal-straightening.

تقدم دراسة حديثة مفهوم الاستقامة الزمنية كطريقة لتحسين تعلم التمثيلات للتخطيط الكامن ضمن نماذج العالم، باستخدام منظم انحناء لتحسين استقرار التخطيط القائم على التدرجات. يتم دمج هذا النهج في إطار العمارة التنبؤية للتضمين المشترك (JEPA)، مما يوضح أن تقليل الانحناء في المسارات الكامنة يؤدي إلى نتائج تخطيط أفضل.

Un estudio reciente presenta el enderezamiento temporal como un método para mejorar el aprendizaje de representaciones para la planificación latente dentro de los modelos del mundo, utilizando específicamente un regularizador de curvatura para mejorar la estabilidad de la planificación basada en gradientes. Este enfoque se integra en una arquitectura predictiva de incrustación conjunta (JEPA), demostrando que la reducción de la curvatura en las trayectorias latentes conduce a mejores resultados de planificación.

Une étude récente introduit le redressement temporel comme méthode pour améliorer l'apprentissage de représentations pour la planification latente au sein des modèles du monde, en utilisant spécifiquement un régularisateur de courbure pour améliorer la stabilité de la planification basée sur le gradient. Cette approche est intégrée dans un cadre d'architecture prédictive d'encodage conjoint (JEPA), démontrant que la réduction de la courbure dans les trajectoires latentes conduit à de meilleurs résultats de planification.

A recent study introduces temporal straightening as a method to enhance representation learning for latent planning within world models, specifically utilizing a curvature regularizer to improve the stability of gradient-based planning. This approach is integrated into a Joint-Embedding Predictive Architecture (JEPA) framework, demonstrating that reduced curvature in latent trajectories leads to better planning outcomes.