Latent world models pozwalają agentom planować działania bezpośrednio w skompresowanej przestrzeni ukrytej zamiast w pełnej przestrzeni obserwacji. Tradycyjnie planer wyszukuje sekwencję akcji minimalizując odległość L2 między przewidywanym stanem końcowym a celem w przestrzeni latentnej. Problem polega na tym, że przestrzeń ta zawiera znaczący szum generowany przez regularyzery stosowane podczas trenowania modelu - te regularyzery promują wariancję w kierunkach bez informatywnego sygnału, aby zapobiec kolapsu reprezentacji.
Autorzy pokazują, że ten sam regularyzator, który powoduje szum, dostarcza też struktury do jego usunięcia. Ich metoda zakłada, że sekwencja stanów latentnych jest procesem Gaussa-Markowa z liniowymi przejściami. Dynamika stanu może być opisana macierzą A ze stałą macierzą kowariancji określoną przez mapę przejścia. Szacując A z ograniczeniem że jest macierzą normalną, otrzymujemy wektory własne stanowiące stabilną bazę zmierzającą się przez wszystkie kroki czasowe. W tej bazie każdy kierunek latentny niesie własną niepewność dotyczącą przyszłych przewidywań.
Klucz do rozwiązania to projekcja kosztu planowania wyłącznie na k-wymiarową podprzestrzeń kierunków o najmniejszej niepewności. To poprawienie jest aplikowane post hoc - koder, predyktor rollout i planer pozostają niezmienione, dopasowywana jest jedynie macierz A. Takie podejście pozwala zwiększyć dokładność planowania bez przebudowy całej architektury, co czyni metodę praktyczną dla istniejących modeli. Ewaluacja na sześciu środowiskach powinna pokazać skalę poprawy wydajności planowania.