Vår spesielle tilnærming i 1 er 'kunnskapsintensiv casebasert resonnering', der vi kombinerer situasjons-spesifikk og generell domenekunnskap. Typen systemer som fokuseres er bruker-interaktive systemer, der maskinens rolle er å opptre som en aktiv rådgivings- og diskusjonspartner i en menneske-maskin ”symbiose”. I metoder for å modellere og realisere multimodal interaksjon mellom maskiner og mennesker er intelligente brukergrensesnitt er eget fokusområde,
Problemstillinger i 2 er utvikling av datasyn, ulike former for bildebehandling, samt grafikkteori og –anvendelser. Spesialiseringen her er relasjonell matching, men inkluderer også fargebildesegmentering, strukturell feature-uttrekking, 'solid modell creation' og verktøy. Gruppen fokuserer nå på forbedring av prosesseringsrobusthet. To tilnærminger er: (1) forbedring av kontrollstrategi med en kunnskapsbase, og (2) utnytting av 'ground truth/constraints' som mål for selv-sjekking.
Metodefokuset i 3 er læring ut i fra store mengder data. I tråd med gruppens øvrige områder arbeides det også med å kombinere læring fra sensor-data med læring fra å observere menneskers interaksjon med omverdenen. Et av de mest populære statistiske rammeverkene i denne settingen er Bayesianske Nettverk (BN). Gjennom sin metode for modellbygging, og sin representasjon av eksplisitte kvalitative sammenhenger, er denne godt egnet som kunnskapsrepresentasjon for resonnering under usikkerhet generelt.