1.以飞机、水下探测/勘测设备、无人船等为对象的运动控制（自主化和智能化）技术

2.以发电厂、化学工厂为对象的过程控制技术

3.应用深度神经网络等先进图像和信号处理的目标检测和识别技术

4.自主控制移动体的周围环境识别技术

5.工厂系统优化、工厂运行优化、移动体路径规划等大规模优化技术

6.建模与模拟技术

1.使用机械学习进行燃气轮机最佳控制

发电用燃气轮机类似于燃烧振动，具有在设计阶段难以事先正确预测的特性以及效率等经时变化的特性。另一方面，为了实现高运转率、可靠性及高效运行，需要对此类难以预测的特性进行高度控制。
作为其实现手段，正在开发应用机器学习的控制方法。具体是指应用高斯过程回归计算不确定性推测，实现了①通过燃料系统燃料的分配控制避免燃烧振动，以及②切实保护转子不受高温燃烧气体影响而使效率最大化的透平冷却空气控制的实用化。

2.叉车专用人体检测系统

由于叉车事故容易引起重大事故，因此必须切实识别周围环境以确保安全。但是，驾驶室被门架及配重等遮住视线，产生了多个死角。即使配置了后视镜和摄像头等用来消除死角，但是要求驾驶员时刻保持警惕并非易事。
为了帮助驾驶员确认周围环境，开发了一种通过深层学习后，从配置在车辆附近的摄像头影像中实时自动检测人体的技术。此外，还开发了安装在车载用GPU上向驾驶员发出警告的报警系统。

3.AUV（无人潜水器）控制系统的开发

迄今为止，本企业已推出了“Urashima”、“Jinbei”、“Yumeiruka”等海底资源勘探用AUV。以往在更靠近海底的低高度及低速带的详细勘探操作中，一直由载人潜水器HOV和遥控无人潜水器ROV实施，但由于附带设备庞大、熟练度要求高的问题，低速和低高度运行AUV的需求不断增多，为此大家开发了实现低速和低高度运行AUV的自主控制技术。

4.有助于掌握熟练工的操作及经验常识可视化的逆强化学习

工厂的非常规手动操作需要根据运行状态做出判断，很大程度上依赖于操作员的常识和技能。
大家着眼可通过学习熟练工的操作数据自动完成熟练工的操作，并可推测熟练工操作方式（专业常识）的逆强化学习。其中，相较传统的逆强化学习，可以掌握更复杂的操作，通过应用融入了深度学习技术后生成对抗网络的逆强化学习方法，开发了可以学习熟练工人工作方式的设备操作步骤，并可推测操作方式的技术。
此外，已将本项技术应用于学习熟练飞行员驾驶飞机的操作，并积极推进运行训练的应用。

5.铁路系统模拟器

近年来，随着环境问题在全球范围内引起关注，环保型交通系统备受关注。本企业提供胶轮式新交通系统AGT（Automated Guideway Transit）及铁轮式LRT（Light Rail Transit）等安全舒适的陆运交通系统。由于此类铁路系统的轨道形状、运行条件、列车组数、电力系统和信号系统等条件因客户路线而异，为了快速应对客户的要求，提供确保运输量且适当的系统配置方案，事先进行细致的模拟试验是不可或缺的。
在上述背景下，开发了提高铁路系统设计效率的综合模拟器。