研究方向

低代价学习

        智能无人系统环境感知性能依赖于大规模高质量标注数据，但标注成本高昂并且耗时耗力，同时海量的无标注数据信息也未被充分挖掘和利用。围绕环境感知中的目标检测、目标计数、语义分割等任务，研究基于海量未标注数据的大模型以及大小模型的协同学习。

协同学习

        单个智能无人系统由于视角和模型能力的约束，在复杂环境下无法对环境进行高性能的感知，而多个智能无人系统载体可以通过协同学习，利用多个来源多个视角的互补信息，提高智能无人系统环境感知的精确度和鲁棒性，实现“互帮互助共同成长”。

进化学习

        智能无人系统在动态开放环境下面向新场景、新类别、新任务会出现泛化能力下降以及记忆遗忘等问题。围绕智能无人机以及智能货柜等，构建面向持续学习的大规模数据集并提出新的开放集学习以及增量学习模型和算法，并应用在智能无人系统环境感知任务中，使得智能无人系统“越来越聪明”。