想像と現実の認識ギャップ：世界モデルの想像ロールアウトがタスク関連情報を失う現象

- モデルベースプランナーが想像した未来をロールアウトする際、遷移モデルがタスク関連信号を忠実に伝播するという仮定を直接測定する研究。 - Recurrent State Space Model (RSSM) ワールドモデルと active-inference プランニングを CARLA 運転シミュレータで用いた単一シードのケーススタディ。 - posterior-prior gap を同定：posterior（観測フィルタ済み）状態は障害物情報を保持するが、想像ロールアウト状態は徐々に失う。 - 教師あり障害物プローブの AUC が posterior で 0.85、想像 prior 状態で 15 ステップかけて 0.85→0.71 に単調減衰（ロジット分離 57% 低下）。 - 障害物回避は特権ランタイム座標なしで 0% に低下し、プランナーのアンサンブル不確実性項も損失を検知しない（AUC 0.52、チャンスレベル）。 - 副次的貢献として、同じワールドモデル上で Effective Free Energy 成分のタスク条件付き重み付けがレーン維持（経路完了 81.2±1.8%）…

- 先行研究では遷移モデルがタスク関連信号を伝播する能力を直接測定した例が稀。 - 本研究は同一プローブを posterior 状態と想像 prior 状態に適用することで、遷移モデル自体を情報ボトルネックとして特定。 - プランナーのアンサンブル不確実性が失敗を検知できない「 unflagged imagination failure」を実証的に示した点が新しい。 - 具体的な先行研究との比較は要旨からは不明。

- Recurrent State Space Model (RSSM) ワールドモデルと active-inference プランニングを CARLA で使用。 - posterior（観測フィルタ済み）状態と想像 prior 状態の両方に同一の教師あり障害物プローブを適用し、AUC とロジット分離を測定。 - プランナーのアンサンブルベースの epistemic 項（アンサンブル不一致）を障害物分類器として評価。 - 副次的に、Effective Free Energy 成分のタスク条件付き重み付けを導入し、ランタイムで重みを変調。 - 障害物回避評価では特権ランタイム座標を使用。

- CARLA 運転シミュレータでの単一シードケーススタディ。 - 障害物プローブの AUC が posterior で 0.85、想像 prior 状態で 15 ステップかけて 0.85→0.71 に減衰し、ロジット分離が 57% 低下することを測定。 - 障害物回避成功率が特権座標なしで 0% になることを確認。 - アンサンブル不一致の障害物分類 AUC が 0.52（チャンスレベル）であることを示す。 - タスク条件付き重み付けでレーン維持の経路完了 81.2±1.8%、障害物回避 28/28 を達成。

- 遷移モデルが想像ロールアウトでタスク関連情報を失う posterior-prior gap が存在し、プランナーの不確実性推定がそれを検知できない「unknown unknown」問題を提起。 - 障害物回避が特権座標に依存する点は、実世界展開への課題。 - 単一シードのケーススタディであり、一般化には更なる検証が必要。 - タスク条件付き重み付けの有効性は示されたが、そのメカニズムや限界については要旨からは不明。

- Recurrent State Space Model (RSSM) や Dreamer 系のワールドモデル研究。 - Active inference プランニングに関する論文。 - CARLA を用いたモデルベース強化学習/プランニングの研究。 - アンサンブル不確実性や epistemic uncertainty の評価に関する研究。 - Effective Free Energy やタスク条件付き重み付けに関連する研究。