โมเดลโลก (World Models) ที่ใช้การมองเห็นได้แสดงประสิทธิภาพที่ดีในการวางแผนงานระยะสั้น เช่น การเข้าถึงเป้าหมายที่อยู่ใกล้เคียง แต่การนำไปใช้กับงานที่มีขอบเขตระยะยาวที่ซับซ้อนนั้นยังคงเป็นความท้าทาย เนื่องจากข้อผิดพลาดในการคาดการณ์ที่สะสมและคำแนะนำที่จำกัดจากความคล้ายคลึงกันใน Latent Space สำหรับเป้าหมายที่อยู่ไกลออกไป
วิธีการที่มีอยู่ในปัจจุบันพยายามแก้ไขข้อจำกัดเหล่านี้โดยการนำ Subgoals ระหว่างทางเข้ามาช่วย ไม่ว่าจะเป็นการสร้าง Subgoals โดยโมเดลที่เรียนรู้มา หรือการเลือกจากหน่วยความจำประสบการณ์ อย่างไรก็ตาม Subgoals ที่สร้างขึ้นอาจไม่ถูกต้องหรือมีภาพหลอน ขณะที่แนวทางที่ใช้หน่วยความจำก็ถูกจำกัดด้วยขอบเขตของประสบการณ์ที่มีอยู่
เพื่อแก้ไขปัญหานี้ นักวิจัยจึงได้นำเสนอ GEMS (Generation and Experience Memory for Subgoal-Guided Long-Horizon World Model Planning) ซึ่งเป็นเฟรมเวิร์กที่สร้าง Subgoals ที่มีโครงสร้างเชิงเวลาเพื่อนำทางการค้นหาการกระทำและการเลือกสถานะจาก Latent Experience Memory (LEM) GEMS ใช้ 'distance gate' เพื่อตัดสินใจว่าจะประเมินผลลัพธ์ที่คาดการณ์กับ Subgoal ที่สร้างขึ้นหรือสถานะหน่วยความจำที่เลือก
ผลการทดลองใน 6 งาน ตั้งแต่การควบคุมวัตถุ การนำทาง และการเข้าถึงเป้าหมาย แสดงให้เห็นถึงประสิทธิภาพของ GEMS ในการวางแผนระยะยาว โดย GEMS ทำได้ดีกว่าวิธีการวางแผนด้วย World Model ที่เป็นที่ยอมรับในปัจจุบัน โดยมีอัตราความสำเร็จสูงถึง 92.8% ในงาน Cube, 68.4% ใน Push-T และ 54.1% ใน Meta-World ซึ่งเป็นการปรับปรุงถึง 24.0, 7.3 และ 22.2 จุดเปอร์เซ็นต์จากวิธีพื้นฐานที่แข็งแกร่งที่สุดตามลำดับ