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）。
专家详情：
【重要履历】担任人工智能、数据与系统研究所（AIDAS）创始所长。获意大利帕多瓦大学计算机工程博士学位（论文聚焦广义概率论），先后在华盛顿大学圣路易斯分校、米兰理工大学、加州大学洛杉矶分校（UCLA）及法国INRIA从事博士后研究，并获玛丽·居里奖学金。曾担任华为-西蒙菲莎大学联合实验室执行委员、牛津布鲁克斯伦理AI研究所理事，并获邀担任华为剑桥研发中心AI负责人及Amazon Robotics研究团队负责人等职位。作为协调人主持欧盟FET-Open“Epistemic AI”项目，并领导了多项EPSRC、Innovate UK、Leverhulme Trust等资助的重大项目，累计争取直接经费约570万英镑。
【技术能力】是不确定性人工智能领域的国际领军学者，核心贡献在于将不确定性度量表示为凸空间点的原创几何方法。研究涵盖：随机集理论与证据理论、机器学习中的认知不确定性量化（Credal深度集成、随机集神经网络）、持续学习与神经符号AI、机器心理理论、以及视频中时空动作检测与自动驾驶场景理解。精通计算机视觉、深度学习、流形学习与张量建模，并积极拓展AI在手术机器人、自动驾驶、超材料设计和聚变等离子体建模等工程领域的应用。
【标志性成果】发表论文约160篇（h-index 35），包括两本学术专著（The Geometry of Uncertainty，Springer 2021）及多篇顶级期刊论文（IEEE PAMI、IJCV、Information Fusion、IEEE TFS）。其团队在CVPR动作检测挑战赛（Charades、ActivityNet）中获第二名，在IMechE Formula Student AI竞赛中多次位列前三。指导的ROAD系列自动驾驶数据集工作获IEEE PAMI发表及IJCLR最佳学生论文奖，Credal集成蒸馏工作入选ICLR 2025 Spotlight（前2.8%论文）。担任多个顶级期刊副主编（IEEE TNNLS、IJAR、Information Fusion），曾担任ICCV、ECCV、UAI、CVPR、IJCAI等顶会的领域主席，学术影响力广泛。领导的研究团队（VAIL）拥有24名成员，研究涵盖计算机视觉、机器学习、手术与移动机器人、通用AI及自动驾驶等前沿方向。