SearchWorld: 世界モデルによるUAV物体探索のための空間価値に基づく想像

- UAV object search のための SearchWorld を提案。 - recurrent state-space world model で、明示的な spatial memory と value-guided imagination を接続。 - BEV exploration/obstacle memory を保持し、task-aware spatial value layer を decode。 - cognition-action network が spatial value prior を用い、imagined rollouts で policy を改善。 - 別の scalar critic を訓練せず、world-model learning→expert imitation→imagination-based exploration refinement と段階的に訓練。

- 既存手法は explicit maps や memory で partial observability を緩和するが、過去観測に基づく反応的推論に留まる。 - image-generating world models は推論遅延が大きく、latent world models は空間的に grounded な planning が難しい。 - SearchWorld は imagination を明示的 spatial representation に接地し、将来状態を予測する prospective planning を可能に。 - UAV-ON で success rate 23.8%（最強公開 agent は 19.5%）、oracle success 35.5%、未見 scene でも 19.9% と頑健。

- recurrent state-space world model を採用。 - BEV exploration memory と obstacle memory を維持。 - task-aware spatial value layer を decode し、search を誘導。 - cognition-action network が learned spatial value prior を使い、imagined rollouts で policy を改善。 - 別途 scalar critic を訓練しない。 - 訓練は world-model learning、expert imitation、imagination-based exploration refinement の順に進行。

- UAV-ON ベンチマークで評価。 - success rate 23.8%（最強公開 agent 19.5%）、oracle success 35.5% を達成。 - 未見 scene でも success rate 19.9% と頑健性を確認。 - 詳細な ablation や実機実験は要旨からは不明。

- image-generating world models の高推論遅延と latent world models の空間的 grounded planning の難しさを課題として指摘。 - SearchWorld は imagination を explicit spatial representation に接地することで prospective planning を実現。 - 限界や失敗事例、計算コスト、実環境への一般化については要旨からは不明。

- 要旨で参照/比較されている研究：UAV-ON の strongest published agent、image-generating world models、latent world models。 - 関連手法：recurrent state-space world model、BEV memory、value-guided imagination、expert imitation。 - 同分野の定番：UAV object search、partially observable Markov decision process (POMDP)、model-based reinforcement learning。