摘要预测动态参与者的未来行为是许多机器人应用（如自动驾驶）中的一项重要任务。 这是极具挑战性的，因为参与者有潜在的意图，并且他们的轨迹受其他参与者、他们自己和地图之间复杂的相互作用的支配。 在本文中，我们提出了以图为中心的运动预测模型 LaneRCNN。 重要的是，依靠专门设计的图编码器，我们学习了每个角色的局部车道图表示 (LaneRoI) 以对其过去的运动和局部地图拓扑进行编码。 我们进一步开

摘要我们提出了一种运动预测模型，该模型利用了一种新颖的结构化地图表示以及演员-地图交互。 我们不是将矢量化地图编码为光栅图像，而是从原始地图数据构建车道图以明确保留地图结构。 为了捕获车道图的复杂拓扑和长距离依赖关系，我们提出了 LaneGCN，它使用多个邻接矩阵和沿车道扩张扩展了图卷积。 为了捕捉演员和地图之间的复杂交互，我们利用了一个融合网络，该网络由四种类型的交互组成，演员对车道、车道对车道

摘要我们研究了一种基于重叠线性决策规则的简单近似方案，用于解决具有类型∞ Wasserstein 模糊集的数据驱动的两阶段分布鲁棒优化问题。我们的主要结果表明，这种近似方案对于两阶段随机线性优化问题是渐近最优的； 也就是说，在温和的假设下，随着数据点的数量增长到无穷大，通过近似稳健优化问题获得的最优成本和最优第一阶段决策会收敛到潜在随机问题的最优成本和最优第一阶段决策。 这些保证特别适用于没有相对

参考：代码https://github.com/abduallahmohamed/Social-STGCNNTCN 网络+代码https://blog.csdn.net/Leon_winter/article/details/100124146童哲校长傅里叶变换的课https://www.bilibili.com/video/BV1ft411J73y上海交大许志钦老师图卷积的课https://ww