本研究探讨了人类在有限资源下形成有效世界表征的方式，提出了认知地图作为生成性程序的概念。实验结果表明，人们在结构化空间中导航时采用模块化规划策略，计算模型展示了人类在不同场景下的行为预测能力，表明规划策略依赖于程序化的认知地图。

本研究探讨了基于语义通信的智能无人机在环境感知和行为预测中的应用。通过强化学习和语义通信框架，提出了一种新型无人机训练方法，并设计了轻量级区块链认证方案以保障用户信息安全。实验结果表明，无人机适应性能提高约35%，语义通信系统在交易吞吐量上保持稳定，具有显著潜在影响。

本文介绍了一个国际性对抗合作运动数据集（INTERACTION），用于研究驾驶场景中的行为预测和建模。研究者利用图神经网络等方法提出多种模型，以提高车辆未来动向的预测准确性和效率，为自动驾驶技术的发展提供了重要支持。

Caformer是一种新型时间序列分析框架，能够有效捕捉跨维度和时间的依赖关系，解决伪相关问题。它在预测、补全、分类和异常检测等任务中表现优异。此外，相关研究还提出了AgentFormer、ASFormer和SageFormer等模型，在多智能体行为预测和动作分割等领域取得了先进成果。

本文介绍了多种基于Transformer的模型，如AgentFormer、VT-Former和AerialFormer，应用于多智能体行为预测、车辆轨迹预测和航空影像分割等领域。这些模型在各自的数据集上表现出色，展示了Transformer在不同任务中的广泛适用性和鲁棒性。