ในระบบการเรียนรู้ของหุ่นยนต์ World Model มักถูกใช้เพื่อคาดการณ์สถานะในอนาคตจากการกระทำ แต่มักจะพลาดเมื่อเจอกับปัจจัยภายนอกเช่น แรงเฉื่อยหรือกระแสน้ำ งานวิจัยนี้จึงเสนอ FlowMo-WM ซึ่งเป็นโมเดลจำลองโลกแบบ end-to-end ที่แยกการประมวลผลออกเป็นสองส่วน: ข้อมูลประวัติระยะสั้นเพื่อสรุปการเคลื่อนที่ของวัตถุ และข้อมูลประวัติระยะยาวเพื่อสรุปปัจจัยภายนอกที่เปลี่ยนแปลงช้า (เช่น กระแสน้ำหรือลม)
การแยกส่วนนี้ช่วยให้โมเดลสามารถทำ latent rollout หรือการคาดการณ์ล่วงหน้าได้แม่นยำขึ้นในสภาวะที่มีการรบกวน โดยจากการทดสอบในสภาพแวดล้อมจำลองของยานพาหนะผิวน้ำที่มีกระแสน้ำไหลวน FlowMo-WM ให้ผลลัพธ์การคาดการณ์ที่เสถียรและแม่นยำกว่าโมเดลมาตรฐานทั่วไป
