核心领域：不确定性人工智能（Epistemic AI）、计算机视觉与机器学习、认知推理与决策。

主要技术方向：

不确定性理论与量化：原创几何方法（将不确定性度量表示为凸空间点），随机集理论、证据理论、Credal深度学习（Credal深度集成、随机集神经网络、Credal集区间神经网络），用于分类与回归任务中的认知不确定性估计；

机器学习：持续学习（ContinualAI合作）、神经符号AI、流形学习与张量模型、神经算子（用于物理系统建模）、半监督学习；

计算机视觉：视频中时空动作检测与定位（CVPR挑战赛获奖）、自动驾驶场景理解（ROAD/ROAD++/ROAD-R数据集）、端到端感知与决策；

认知与机器人：机器心理理论（Leverhulme项目）、手术机器人（H2020 SARAS）、自主驾驶（Formula Student AI）；

应用拓展：AI for Science（聚变等离子体、气候系统）、超材料设计、可持续性AI。

关键方法：随机集神经网络（ICLR 2025）、Credal集成蒸馏（ICLR 2025 Spotlight）、不确定性感知端到端自动驾驶（UDrive项目）。