A Política de Previsão de Vídeo (VPP) é uma estratégia robótica baseada em modelos de difusão de vídeo (VDMs) capaz de prever com precisão sequências futuras de imagens, demonstrando uma boa compreensão da dinâmica física. A VPP utiliza a representação visual nos VDMs para refletir a evolução do mundo físico, representação essa denominada representação visual preditiva. Ao combinar conjuntos de dados de manipulação humana ou robótica diversificados e adotar um objetivo de treinamento de geração de vídeo unificado, a VPP supera os métodos existentes em dois ambientes simulados e dois benchmarks do mundo real. Especificamente, no benchmark Calvin ABC-D, a VPP alcançou uma melhoria relativa de 28,1% em comparação com a melhor técnica anterior e aumentou a taxa de sucesso em 28,8% em tarefas complexas de manipulação de garras no mundo real.