การวางแผนตามเป้าหมายด้วยภาพ (Image-goal planning) ที่ใช้ Visual World Model ที่ถูกตรึง (frozen) นั้นขึ้นอยู่กับวิธีการให้คะแนนการสังเกตการณ์ที่คาดการณ์ไว้เมื่อเทียบกับเป้าหมาย. การใช้ค่าความผิดพลาดกำลังสองเฉลี่ย (MSE) ระหว่าง embeddings จาก visual encoder ที่ผ่านการฝึกอบรมล่วงหน้าสามารถให้สัญญาณที่มีประโยชน์ใกล้กับเป้าหมายได้. อย่างไรก็ตาม วิธีนี้อาจทำให้หุ่นยนต์เลือกสถานะที่อยู่หลังสิ่งกีดขวางซึ่งมีลักษณะคล้ายกับเป้าหมายแต่ยากที่จะเข้าถึง.
งานวิจัยนี้ได้นำเสนอวิธีการแก้ปัญหานี้โดยการติดตั้งอะแดปเตอร์ขนาดเล็กแบบ residual บน I-JEPA embeddings ที่ถูกตรึง เพื่อปรับปรุงค่า latent goal cost. กระบวนการเรียนรู้เริ่มต้นจากการรวบรวมวิถีการเคลื่อนที่จากภูมิภาคเริ่มต้นที่กว้างขึ้นเรื่อยๆ โดยมีเป้าหมายอยู่ใกล้ๆ. อะแดปเตอร์จะเรียนรู้จากลำดับของการสังเกตการณ์ตลอดวิถีการเคลื่อนที่ที่สำเร็จ และมีการเปรียบเทียบเพิ่มเติมจากความพยายามที่ล้มเหลว. สิ่งสำคัญคือ ไม่มีป้ายกำกับความคืบหน้าเฉพาะงานที่ใช้ในการฝึก ซึ่งทำให้ขั้นตอนการเรียนรู้นี้สามารถนำไปประยุกต์ใช้กับงานที่ต้องการเข้าถึงเป้าหมายอื่นๆ ได้.
ในการประเมินผล ซึ่งดำเนินการในสถานการณ์ 50 กรณีที่จับคู่กันโดยใช้จุดเริ่มต้น เป้าหมาย World Model และการตั้งค่าตัววางแผนที่เหมือนกัน อัตราความสำเร็จเพิ่มขึ้นจาก 54% เป็น 98% ใน DotWall และจาก 82% เป็น 96% ใน PointMaze. นอกจากนี้ ในกรณี DotWall ที่ไม่เคยเห็นมาก่อน 16 กรณี อะแดปเตอร์ที่ติดตั้งบนโครงร่างคงที่หนึ่งอันยังช่วยเพิ่มความสอดคล้องระหว่างการจัดลำดับ latent-cost และการจัดลำดับเส้นทางที่ถูกต้องที่สั้นที่สุดจาก 71.9% เป็น 85.8%. ผลลัพธ์เหล่านี้บ่งชี้ว่าประสบการณ์การวางแผนสามารถปรับปรุงค่า goal cost ของการแสดงภาพที่ถูกตรึงได้โดยไม่ต้องฝึกอบรม encoder หรือ World Model ใหม่.