실세계 환경에서 효율적이고 확장 가능한 로봇 제어를 가능하게 하기 위해, 강건하고 일반화 가능한 월드 모델(세계 모델) 학습은 핵심적인 과제이다. 본 연구에서는 복잡하고 부분 관측 가능하며 확률적인 동역학을 정확히 포착할 수 있는 월드 모델 학습을 위한 새로운 프레임워크를 제안한다. 제안된 방법은 이중 자기회귀(dual-autoregressive) 메커니즘과 자기지도 학습(self-supervised training)을 활용하여 도메인 특화된 인도크티브 편향(inductive biases)에 의존하지 않고도 신뢰할 수 있는 장기 예측(long-horizon predictions)을 달성함으로써 다양한 로봇 작업에 대한 적응성을 보장한다. 또한, 상상 속 환경에서 효율적인 학습을 수행하고 실제 시스템에 원활하게 배포할 수 있도록 월드 모델을 활용하는 정책 최적화 프레임워크를 제안한다. 본 연구는 장기 예측, 오차 누적, 시뮬레이션에서 실제 환경으로의 전이(sim-to-real transfer)와 같은 과제를 해결함으로써 모델 기반 강화 학습(model-based reinforcement learning)의 발전을 이룬다. 제안된 방법들은 확장 가능하고 강건한 프레임워크를 제공함으로써, 실세계 응용을 위한 적응성과 효율성을 갖춘 로봇 시스템의 구현을 가능하게 한다.