世界模型规划换掉CEM：采样树搜索在仿真里快13.8倍，真机推块成功率提高20%

世界模型规划多了一条采样式树搜索的路线，把学习到的模型当作潜空间树搜索的传播器，而不是交给CEM、MPPI这类优化器去求解。 此前用世界模型做规划通常由CEM和MPPI这类优化器完成，它们在长程任务上会卡住，因为推进需要目标函数并不奖励的动作，比如先绕开方块再推它。 在四个仿真域和一个真机推块任务上，用现成的DINO-WM评估，采样式方法在成功率上追平或超过CEM与MPPI。

做法是把配置空间里为高维搜索设计的采样策略直接搬到世界模型的潜空间，让搜索快速穿过中间状态。 这类中间状态是短视优化器从不会采到的，而采样策略原本是为配置空间的高维搜索发明的。 具体给出两种潜空间探索策略，最近邻引导的RRT和基于投影的KPIECE，并用GPU原生批量扩展提高设备利用率。

报道覆盖的是摘要级材料，评估设定为四个仿真域和一个真机推块任务，世界模型使用现成的DINO-WM。适合做具身规划、机器人操作与基于模型的规划的研究人员和工程师阅读，用于判断采样式树搜索是否值得引入自己的世界模型规划流程。材料未提出下一步实验计划。

材料为摘要级，未给出各仿真域的成功率数值、规划时间绝对值与真机试验次数。真机结果只在推块任务上报告，20%的提升是相对CEM与MPPI的成功率变化。13.8倍是仿真中规划时间的最优倍数，并非所有域一致。