认知学习
传统机器学习/深度学习仅是针对单一固定任务训练模型，当任务、数据、外部环境等发生变化时，模型便无法使用，简单地说，这些模型就像锤子、钳子等工具，一旦设计完成，它的功能与使用场景就固定了，若要将它用于新的任务，只能熔掉重铸成新的工具。我们期望的人工智能模型，应该像人的大脑一样，通过不断学习新知识，认知与智力不断成长，能适应新的任务，同时可以对抗任务、数据及环境干扰，这正是认知学习所追求的目标。在构建的认知学习理论框架中，融合了在线学习、增量学习、终身学习、样本增/缩维、环境适应等诸多符合人类认知机理的学习机制，这将是新一代人工智能的前进方向。
人-机器人交互技术
人机交互系统构筑了人与机器人交流的桥梁，理想的人机交互系统不会限制人的行为，能保证“人与机器人交流”像“人与人交流”一样，在人的自然行为/意识下顺畅进行，其中的核心环节是“机器人自主地理解人的行为意图”，开展了“基于机器视觉的人体运动估计”与“基于脑/肌电的人体行为意图识别”两方面研究。
视觉也是机器人感知人体运动信息的重要手段。从捕获的（深度）视觉数据中，提取人体关节点、光流、交互物特征等数据，综合利用图像处理、深度学习等算法，构建估计人体运动的网络，针对复杂背景、遮挡、多人、人-物交互等情形，研究提升网络估计精度与稳定性的方法，实现动作分类、运动重建、行为语义理解等，应用于智能监控、人机交互、行为辅助等。
脑电（EEG）和肌电（EMG）两种生理电信号与人体的行为意图密切相关。对采集EEG/EMG预处理后，提取时/频域特征，利用降维、分类等算法，构建识别动作类别的模型，在线识别结果可以用于实现假肢、康复机器人等系统的实时控制。本研究重点关注存在未知动作、数据丢失、脑/肌肉疲劳、电极偏移等干扰下，如何实现动作稳定识别；同时考虑关节角度/角速度、关节刚度/阻抗等柔顺运动参数实时估计。
智慧家居养老辅助机器人
目前我国65岁以上老年人口已达2.5亿，而随着社会老龄日益加剧，10到20年我国老年人口数量将占总人口的1/3，养老将成为社会最突出的问题，养老产业也将成为社会最大产业之一，预期数万亿的规模。未来数量众多的老年人在家中不依靠年轻人独立生活，有望成为主流的养老形态，智慧家居产品与机器人技术结合，将为老年人的安全、健康、自主生活提供基本保障。将研究用于居家智慧养老的人形机器人技术，集成行为识别技术、基于AI大模型的技能学习技术、仿生交互技术构筑人形机器人系统，可以监测老人安全，辅助老人完成各种日常生活作业。项目组研究的人形机器人成果在《新闻联播》中报道（时长50秒）。
