今年年初，英國HumanDrive項目完成了鄉間小路和高速公路共計370公里的自動駕駛旅程，項目參與者包括日產、克蘭菲爾德大學、利茲大學、日立歐洲公司等。日立開發出一款軟件，可感知外部環境，還可通過AI和機器學習，在遇到障礙、限制和行人時，規劃最佳安全路徑。

　　日立歐洲首席創新策略師Nick Blake表示，HumanDrive旨在構建一種舒服自然的無人駕駛體驗，而非像許多自動駕駛所呈現的“枯燥機器人”，“我們希望可以提高乘客的舒適度和可接受性。”

　　為此，團隊將人工智能和人類智慧進行融合，也就是使用道路數據的同時，還讓專業駕駛員對人工智能系統進行培訓。日立歐洲公司高級研究員Ioannis Souflas表示：“數據來源于專業測試駕駛員，且將被用來訓練汽車，從而使乘員感覺更舒適。

　　但挑戰也隨之而來。因為很難獲取足夠的專業駕駛員在危險境況下的反應數據，畢竟，這是在要求駕駛員將自己置于危險之中。Blake表示：“如果使用人類駕駛數據訓練AI模型，我們可以提供正常、安全環境中的良好駕駛數據，但當出現問題時，卻沒有很多數據可以提供，從而給出解決方案。有關此類的訓練數據實在太少。”正如Souflas所說：“不能僅通過直線行駛訓練AI左右轉向。”

　　為填補數據空白，因此需要進行模擬測試。Souflas解釋說：“通過專業駕駛員，可能無法獲得所有邊緣情況，但可以在機器學習中設定場景，并擴充數據，從而創建人為的邊緣情況。”但是，人類與機器學習駕駛的方式本就不同。大多人在青少年時期，即16或18歲時視力發育完成后，就可以學會駕駛。Souflas說：“那個時候，我們已經具備了良好的感知能力，所以只需學會控制車輛即可。”

　　解決方案之一是將AI分為四個不同的模塊。模塊一負責管理感知，從不同的傳感器和輸入中提取數據；模塊二負責使用提取數據和定位數據了解場景；模塊三負責計劃路線；而模塊四負責控制車輛。某些系統可能會將這四個方面全部或部分整合為一個方面，但會通過AI再將其進行拆分。日立通過使用不同模塊添加特性和功能，可以模擬各種駕駛環境和樣式，還可以在軟件中插入嚴格的驗證和安全檢查。

　　Souflas表示，大部分真實數據都已整合到路徑規劃模塊中。Blake稱，人們看待事物的方式大致相同，通過地圖，我們就能知道自己的所在位置，但這些是事實，而非判斷。Souflas補充說：“而路徑規劃會根據駕駛員行為的不同發生改變，即因人而異，這正是其關鍵之處。”

　　模塊化AI廣受汽車制造商的歡迎。項目表明，汽車制造商并不喜歡“通才”型AI，它就像黑匣子系統一樣，決策不透明。如果試駕出現故障，制造商想知道問題出現在哪里，是傳感器沒能看到路上的物體，還是沒能識別是什么，或者是沒能繞過去等等問題。Souflas表示：“因此，制造商對使用不透明的技術非常保守。”

　　而通過拆分每個核心功能，系統可以更輕松地找到故障發生位置并進行修復。 Souflas解釋到：“如果感知出現問題，系統就能解決該問題，且無需擔心路徑規劃。”另外，除了能夠發現故障所在，系統還會通知車隊問題的嚴重程度，其中問題越接近被操控的車輛，就說明越緊迫。他還說：“若計劃或操控部分出現問題，這比感知出現問題更嚴重，因為它更接近于行動部分。”

　　而且，通過模塊化格式構建AI，可以在其他地方再次利用AI。對日立而言，這項開發工作比無人駕駛汽車要更加廣泛。除了汽車領域，如電車和其他機車車輛，這些用于感知、理解和行動的系統還可以用于自動化生產，如，盡管工廠與汽車有著不同的的控制，但傳感系統可能一致。日立歐洲汽車與工業實驗室負責人Massimiliano Lenardi表示：“系統的模塊化可以實現基本技術的多種功能或應用。”

　　日立還在其Smart Spaces解決方案中使用了部分該技術，其智能傳感器能夠在公共區域追蹤人。Blake表示：“車輛可以沿道路發現物體，這與影像智能技術相同。在這種情況下，傳感器可將經過火車站的人分離出來，從而進行追蹤。”但Souflas指出，其主要區別是，在汽車中，傳感器的處理速度會更快。

　　模塊化的AI意味著可以單獨更新系統，這又回到了HumanDrive的核心，即重新引入人類思維以解決無人駕駛汽車過程中遇到的問題。由于GPS在人口稠密地區可能會不堪重負，并導致城市導航困難，因此，日立開發人員要解決的下一個問題是，城市地區導航。

　　考慮之一的解決方案是訓練汽車定位系統，使其可以像人一樣環顧四周。大多數人無需智能手機或者地圖就能確定自己的位置，僅僅是環顧四周并識別周圍的環境。Souflas表示：“我們正在創建可以從視覺特征進行定位的功能，這樣會為系統帶來冗余，并將AI與傳統方法融合，持續改進。”Souflas還補充到：“開發此類AI系統和此智能軟件必須添加人類智能。”