據(jù)估計，在所有摩托車事故中，近五分之一的事故是由于轉(zhuǎn)彎過快或過于急轉(zhuǎn)彎造成的。這也表明，在彎道上判斷錯誤是造成15%騎車者死亡的原因。
幸運的是，蘇黎世聯(lián)邦理工學(xué)院(ETH Zurich)和庫魯汶大學(xué)(KU Leuven)的研究人員最近在預(yù)印版服務(wù)器Arxiv.org上發(fā)表了一篇論文，提出了一個解決方案。他們的道路曲率預(yù)警系統(tǒng)利用計算機(jī)視覺和地圖數(shù)據(jù)來預(yù)測車道位置和摩托車側(cè)傾角，以及未來道路的幾何形狀。
合著者寫道:“駕駛摩托車中最難的動作是轉(zhuǎn)彎，因為這涉及到車手在進(jìn)入彎道前調(diào)整速度和車道位置，然后調(diào)整車把，使摩托車正確地側(cè)傾。”
“最微小的錯誤都可能導(dǎo)致事故，因此，研究表明，許多摩托車事故(25- 30%)發(fā)生在車手在彎道上行駛時，這并不奇怪。”
研究小組指出，道路彎道警告系統(tǒng)并不完全是個新穎的想法，但之前的系統(tǒng)在很大程度上依賴于對摩托車車道位置的假設(shè)，使用了昂貴的傳感器，而且沒有考慮道路坡度。
相比之下，這次研究人員的方法利用了地圖數(shù)據(jù)庫技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)(通常用于視覺分析的人工智能體系結(jié)構(gòu))來預(yù)測車道內(nèi)的位置和估計當(dāng)前的傾斜角，并獲得了橫跨美洲、亞洲和歐洲的道路幾何形狀的數(shù)據(jù)。
該團(tuán)隊訓(xùn)練了兩個人工智能網(wǎng)絡(luò)——LNet和RNet——在車道內(nèi)的不同位置提供圖像記錄，其中一些圖像通過旋轉(zhuǎn)得到增強，以模擬摩托車的側(cè)傾(從-90度到90度)。
研究人員用特制的相機(jī)架收集了這些照片，相機(jī)架上有7臺GoPro Hero 5黑色相機(jī)，它能同時捕捉到不同車道位置的鏡頭，這些鏡頭在車道內(nèi)以特定的間隔分布。隨后，研究人員將大約200萬張圖像分成訓(xùn)練、驗證和測試集，組成一個語料庫(也稱為學(xué)習(xí)數(shù)據(jù)集)。
接下來，研究人員模擬了高達(dá)10度的側(cè)傾和俯仰角變化，以提高系統(tǒng)的整體性能，并編制了第二組數(shù)據(jù)集(摩托車數(shù)據(jù)集)，其中包含由前置攝像頭記錄的四個小時的真實摩托車駕駛過程。他們提取了帶有GPS坐標(biāo)的圖像，并使用路徑匹配算法來預(yù)測記錄過程中摩托車行駛的最可能路徑。這使得他們能夠為每個同步視頻獲取與地圖匹配的GPS坐標(biāo)，他們利用這些坐標(biāo)查詢地圖數(shù)據(jù)庫，以獲得道路曲率、坡度和限速數(shù)據(jù)。
為了驗證他們的方法，研究人員進(jìn)行了兩項測試:一項測試涉及人工智能系統(tǒng)在訓(xùn)練期間沒有遇到的圖像，另一項測試是根據(jù)GoPro相機(jī)捕捉的真實數(shù)據(jù)對模型進(jìn)行評估。
他們報告,在Nvidia Titan X GPU上用150萬張學(xué)習(xí)數(shù)據(jù)集的圖像訓(xùn)練了24小時的網(wǎng)絡(luò)，在模擬中表現(xiàn)“非常好”。而在用真實世界的數(shù)據(jù)進(jìn)行的測試中，該系統(tǒng)可以預(yù)測出一個平均絕對誤差為3.7度的側(cè)傾角度，物理傳感器測量值和車道位置則與真實數(shù)據(jù)相差22.4厘米。
“我們在不同的現(xiàn)實場景中測試我們的系統(tǒng)，并提供詳細(xì)的案例研究。我們的研究表明，我們的系統(tǒng)能夠預(yù)測更準(zhǔn)確、更安全的曲線軌跡，從而警告和提高摩托車手的安全性。”
“大量的實驗表明，我們的系統(tǒng)能夠在野外表現(xiàn)良好，從而產(chǎn)生了一個更完整的摩托車彎道預(yù)警系統(tǒng)。”
早在2018年，德國汽車制造商寶馬也發(fā)布過一款自動駕駛摩托車。它不僅可以自己行駛，還能自己轉(zhuǎn)彎、加速、傾斜車身和剎車。不過，寶馬聲稱，這款車不是為消費者制造的，而是為了更多地了解如何在其摩托車系列中使用的新的安全功能。
