연구진은 잠재 세계 모델 기반 계획의 성능을 높이기 위해 SAGE(Subgoal-Conditioned Action Generation)라는 새로운 프레임워크를 제안했어요. SAGE는 목표에 따라 잠재적인 다음 단계를 예측하고, 이를 기반으로 행동 시퀀스를 생성하여 계획의 효율성을 높입니다.
SAGE는 다양한 길이의 목표 기반 단계를 활용하여, 세밀한 제어와 장기적인 목표 달성 간 균형을 맞추고, 예측된 행동 시퀀스를 평가하고 개선하는 과정을 거쳐요.
PushT와 OGBench Cube 환경에서 실험 결과, SAGE는 장기 계획 성능을 크게 향상시키면서도 단기 계획 성능은 유지했으며, 특히 목표 지점까지의 거리가 멀어질수록 효과가 두드러졌어요.