CST-WM: 因果構造を持つ世界モデルによる身体化視覚追跡

CST-WMは、身体化視覚追跡（Embodied Visual Tracking）のための因果構造化ワールドモデルである。ロボットが自己運動、遮蔽、妨害物の下で移動ターゲットの将来の可視性と見かけのスケールを予測し、追跡を維持または再獲得するための行動を選択する問題に取り組む。潜在状態をターゲット証拠、ロボット、観測の3つのブランチに分解し、遷移を因子分解することで、行動からターゲット証拠への直接的な因果効果を遮断し、行動がロボットの運動と観測更新を通じてのみ影響するようにする。ロールアウトベースのモデル予測制御と組み合わせることで、安定追跡と一時的なターゲット再獲得を単一の計画フレームワークで実現する。

従来の反応的ベースラインやワールドモデルベースラインは、行動条件付き予測において、ロボット制御とターゲット関連観測の強い相関を利用し、行動からターゲット証拠への直接的な因果効果を幻覚する（因果的幻覚）。これにより、追跡計画にとって意味論的に誤ったもっともらしい未来を生成する。CST-WMは、因果構造を明示的にモデル化し、行動の直接注入をブロックすることで、このタスク固有の因果的幻覚を軽減する点が新しい。

手法の核は、潜在状態をターゲット証拠、ロボット、観測の3つのブランチに分解し、遷移を因子分解することである。具体的には、行動からターゲット証拠ブランチへの直接的な注入を遮断し、行動はロボットの運動と観測更新にのみ利用可能とする。これにより、行動がロボットの運動と観測変化を通じてのみターゲット証拠に影響を与えるという因果構造を強制する。計画にはロールアウトベースのモデル予測制御を使用する。

EVT-BenchとHabitat 3.0で検証した。標準追跡、ターゲット喪失回復、クロスデータセット転送を含むシナリオで、反応的ベースラインとワールドモデルベースラインと比較し、追跡品質、距離範囲制御、安全性、再獲得の向上を示した。オフライン診断では、マルチステップロールアウト忠実度の向上、計画値の一貫性の強化、直接的な行動漏洩の大幅な削減を確認した。

要旨からは、提案手法の限界や潜在的な欠点についての議論は不明である。ただし、将来予測だけでは不十分であり、予測構造自体がターゲット証拠の計画への入り方と整合する必要があると主張している。また、因果構造の導入が計算コストや複雑さを増す可能性や、他のタスクへの一般化については言及がない。

要旨で参照されているベースラインや関連手法として、反応的ベースラインとワールドモデルベースラインが挙げられる。具体的な論文名は不明だが、一般的なワールドモデル（例：Dreamer）やモデル予測制御（MPC）に関する研究が関連する。また、因果推論を導入した世界モデルや、身体化視覚追跡のベンチマーク（EVT-Bench）に関する論文が次に読むべき候補である。