幸运的是，苏黎世联邦理工学院 ( ETH Zurich ) 和库鲁汶大学 ( KU Leuven ) 的研究人员最近在预印版服务器 Arxiv.org 上发表了一篇论文，提出了一个解决方案。他们的道路曲率预警系统利用计算机视觉和地图数据来预测车道位置和摩托车侧倾角，以及未来道路的几何形状。
合著者写道 :" 驾驶摩托车中最难的动作是转弯，因为这涉及到车手在进入弯道前调整速度和车道位置，然后调整车把，使摩托车正确地侧倾。"
" 最微小的错误都可能导致事故，因此，研究表明，许多摩托车事故 ( 25- 30% ) 发生在车手在弯道上行驶时，这并不奇怪。"
研究小组指出，道路弯道警告系统并不完全是个新颖的想法，但之前的系统在很大程度上依赖于对摩托车车道位置的假设，使用了昂贵的传感器，而且没有考虑道路坡度。
相比之下，这次研究人员的方法利用了地图数据库技术和卷积神经网络 ( 通常用于视觉分析的人工智能体系结构 ) 来预测车道内的位置和估计当前的倾斜角，并获得了横跨美洲、亚洲和欧洲的道路几何形状的数据。
该团队训练了两个人工智能网络—— LNet 和 RNet ——在车道内的不同位置提供图像记录，其中一些图像通过旋转得到增强，以模拟摩托车的侧倾 ( 从 -90 度到 90 度 ) 。
研究人员用特制的相机架收集了这些照片，相机架上有 7 台 GoPro Hero 5 黑色相机，它能同时捕捉到不同车道位置的镜头，这些镜头在车道内以特定的间隔分布。随后，研究人员将大约 200 万张图像分成训练、验证和测试集，组成一个语料库 ( 也称为学习数据集 ) 。
接下来，研究人员模拟了高达 10 度的侧倾和俯仰角变化，以提高系统的整体性能，并编制了第二组数据集 ( 摩托车数据集 ) ，其中包含由前置摄像头记录的四个小时的真实摩托车驾驶过程。他们提取了带有 GPS 坐标的图像，并使用路径匹配算法来预测记录过程中摩托车行驶的最可能路径。这使得他们能够为每个同步视频获取与地图匹配的 GPS 坐标，他们利用这些坐标查询地图数据库，以获得道路曲率、坡度和限速数据。
为了验证他们的方法，研究人员进行了两项测试 : 一项测试涉及人工智能系统在训练期间没有遇到的图像，另一项测试是根据 GoPro 相机捕捉的真实数据对模型进行评估。
他们报告 , 在 Nvidia Titan X GPU 上用 150 万张学习数据集的图像训练了 24 小时的网络，在模拟中表现 " 非常好 "。而在用真实世界的数据进行的测试中，该系统可以预测出一个平均绝对误差为 3.7 度的侧倾角度，物理传感器测量值和车道位置则与真实数据相差 22.4 厘米。
" 我们在不同的现实场景中测试我们的系统，并提供详细的案例研究。我们的研究表明，我们的系统能够预测更准确、更安全的曲线轨迹，从而警告和提高摩托车手的安全性。"
" 大量的实验表明，我们的系统能够在野外表现良好，从而产生了一个更完整的摩托车弯道预警系统。"
早在 2018 年，德国汽车制造商宝马也发布过一款自动驾驶摩托车。它不仅可以自己行驶，还能自己转弯、加速、倾斜车身和刹车。不过，宝马声称，这款车不是为消费者制造的，而是为了更多地了解如何在其摩托车系列中使用的新的安全功能。