Physikgestützte Schätzung des Beladungszustands von Güterfahrzeugen mithilfe von Digitaltachograph-Daten

Warum die Beladung von Lastwagen uns alle betrifft

Tagtäglich transportieren tausende schwere Lastwagen Waren, die das moderne Leben aufrechterhalten – von Lebensmitteln und Medikamenten bis zu Baustoffen. Erstaunlicherweise fahren viele dieser Fahrzeuge nahezu leer oder völlig ohne Ladung herum, was Kraftstoff verschwendet, Straßen verschleißt und Staus sowie Luftverschmutzung verursacht, ohne Güter zu bewegen. Diese Studie zeigt, wie bereits aus Sicherheitsgründen erhobene Fahrzeugdaten wiederverwendet werden können, um nahezu in Echtzeit zu erkennen, ob ein Fahrzeug beladen oder leer ist, und so neue Werkzeuge zu schaffen, die die Effizienz im Güterverkehr steigern, Emissionen reduzieren und die Straßeninfrastruktur besser verwalten.

Verborgene Hinweise in den Black Boxes der Lastwagen

In Korea müssen Lastwagen ab einer bestimmten Größe ein Gerät namens Digitaltachograph mitführen, das kontinuierlich grundlegende Fahrinformationen wie Geschwindigkeit, Beschleunigung, Motordrehzahl und GPS-Position aufzeichnet. Im Gegensatz zu teuren Spezialsensoren oder stationären Wägesystemen sind diese Einheiten bereits landesweit installiert und arbeiten jeden Tag unter realen Bedingungen. Die Forschenden stellten eine einfache, aber folgenschwere Frage: Lassen sich mit nur diesen standardmäßigen Signalen zuverlässig erkennen, ob ein Lkw eine Ladung transportiert oder leer fährt, ohne zusätzliche Hardware einzubauen?

Grundlegende Physik zur Interpretation des Fahrverhaltens

Das Team stützte seinen Ansatz auf eine einfache physikalische Einsicht: Ein schweres Fahrzeug lässt sich schwieriger beschleunigen als ein leichtes. Um dieses Prinzip skalierbar nutzbar zu machen, kombinierten sie Tachograph-Daten mit Straßenkarten und Höhendaten. Aus den Rohsignalen leiteten sie ab, welchen Gang der Lkw verwendete, wie schnell er fuhr und ob er bergauf oder auf ebenem Gelände unterwegs war, und konzentrierten sich dann auf Zeitpunkte, an denen der Fahrer tatsächlich beschleunigte. Durch den Vergleich der Beschleunigungsmuster von Fahrten, die laut Frachtpapieren beladen bzw. leer waren, bestätigten sie, dass beladene Lkw unter vergleichbaren Geschwindigkeits-, Gang- und Steigungsbedingungen deutlich schwächere Beschleunigungen zeigen.

Ein vorsichtiges Modell zum Entscheiden

Anstatt sich auf eine einfache Faustregel zu verlassen, trainierten die Forschenden ein Bayessches neuronales Netzwerk, eine Art von maschinellem Lernmodell, das nicht nur ein Ergebnis vorhersagt, sondern auch seine Unsicherheit ausdrückt. Das Modell nutzte drei zentrale Eingangsgrößen – Geschwindigkeit, abgeleiteter Gang und die mittlere Beschleunigung über kurze neunsekündige Abschnitte – um jedes Fahrsegment als beladen oder leer zu klassifizieren. Bei einzelnen Aufzeichnungen ermittelte es den Beladungszustand in etwa drei Vierteln der Fälle korrekt. Betrachtete das Modell kurze Beschleunigungsphasen, stieg die Genauigkeit auf rund 85 Prozent insgesamt und lag auf Autobahnen, wo das Fahren gleichmäßiger ist, über 90 Prozent. Durch die Kombination mehrerer aufeinanderfolgender Segmente erreichte es in dieser Fallstudie nahezu perfekte Genauigkeit, wobei es unsichere Fälle kennzeichnete, anstatt eine unsichere Entscheidung zu erzwingen.

Von Datenströmen zu besseren Straßen und saubererer Luft

Da Digitaltachographen für schwere Lkw in Korea bereits vorgeschrieben sind, lässt sich diese Methode hochskalieren, um ein Live-Bild zu liefern, wo und wann Lkw Waren transportieren bzw. leer fahren, ganz ohne neue Sensoren. Diese Informationen könnten Logistikunternehmen helfen, leere Fahrzeuge mit nahegelegenen Frachten zu verknüpfen und so Leerfahrten zu reduzieren; Planern eine klarere Sicht darauf geben, wo schwere Lasten Fahrbahnen und Brücken belasten; und eine gezieltere Durchsetzung gegen chronische Überladung unterstützen. Obwohl die aktuelle Studie sich auf eine Baureihe von 25-Tonnen-Lkw eines einzelnen Unternehmens konzentrierte, kann das Rahmenmodell für andere Flotten neu trainiert werden, sodass routinemäßige Sicherheitsdaten zu einem praktischen Instrument für saubereren, effizienteren und langlebigeren Güterverkehr werden.

Zitation: Tak, J., Hong, J. & Park, D. Physics-guided estimation of freight vehicle loading status using digital tachograph data. Sci Rep 16, 12633 (2026). https://doi.org/10.1038/s41598-026-42232-5

Schlüsselwörter: Lastwagen, Digitaltachograph, Verkehrsdaten, maschinelles Lernen, Logistikeffizienz