ATLAS 在 LeWM 中同时保留关系几何与校准潜变量分布，在 PushT、TwoRoom 与 OGBench-Cube 上提升目标达成成功率，TwoRoom 高新颖度回合增益最大
作者提出 ATLAS 训练目标，将编码器均值池化 patch 特征的归一化成对结构迁移到规划潜变量，并用基于一维 Wasserstein-2 传输的 WEMReg 校准其边缘分布，在 LeWM 上实例化后在 PushT、TwoRoom 与 OGBench-Cube 的低与高新颖度子集上均提升平均目标达成成功率，其中 TwoRoom 高新颖度回合增益最大，同时诊断显示规划潜变量中与新颖度相关的结构更强、边缘校准更好、多步预测误差更低。