우리는 학습된 잠재 세계 모델 (Latent World Models) 내에서 강건 모델 예측 제어 (Robust Model Predictive Control, MPC)를 사용하여 픽셀로부터 안전한 피드백 동작 계획을 수행하는 프레임워크인 SLS^2를 제시합니다. 우리의 접근 방식은 압축된 마르코프 잠재 상태 (Markovian Latent States)를 가진 액션 조건부 결합 임베딩 세계 모델 (Action-conditioned Joint-embedding World Model)을 학습시켜, 학습된 잠재 역학 (Latent Dynamics)을 통한 효율적인 경사 기반 궤적 최적화 (Gradient-based Trajectory Optimization)를 가능하게 합니다. 불완전한 잠재 예측에도 불구하고 실제 시스템에 대한 안전성을 보장하기 위해, 우리는 보정된 잠재 오차 경계 (Calibrated Latent Error Bounds)와 강건한 잠재 공간 제약 집합 (Robust Latent-space Constraint Sets)을 얻기 위해 컨포멀 예측 (Conformal Prediction)을 활용하여 GPU 가속 시스템 레벨 합성 (System Level Synthesis, SLS) 강건 MPC 기법을 구성합니다. 나아가 우리는 잠재 제약 검사기 (Latent Constraint Checker)를 학습하고 컨포멀화 (Conformalize)하여, SLS 플래너가 폐루프 실행 (Closed-loop Execution) 중에 확률적 안전 제약 조건을 부과할 수 있도록 합니다. 우리는 시각 기반 제어 작업에서 우리의 방법을 평가하였으며, 결과적으로 잠재 세계 모델 및 안전 계획 베이스라인 (Safe-planning Baselines) 대비 목표 도달 성능과 안전성을 모두 향상시켰습니다.