ロボットをはじめとする知的エージェントが長期タスクを遂行するためには，その不確実性と文脈依存性を理解する必要がある．従来の世界モデルは不確実性を有する短期タスクのダイナミクスの表現は可能である一方，文脈依存性を有する長期タスクの学習は一般に困難である．この問題を解決するため，本研究は複数の時間スケールを考慮した世界モデルを提案する．提案モデルを用いて，ロボットの物体操作に関する長期タスクの学習を行った結果，提案モデルが優れた映像予測能力を有することを確認した．本結果は，世界モデルが複数の時間スケールを持つことで，不確実性と文脈依存性を有する長期タスクの学習と計画に有用であることを示している．