Estimación guiada por la física del estado de carga de vehículos de mercancías usando datos de tacógrafo digital

Por qué la carga de los camiones importa para todos

Cada día, miles de camiones pesados transportan los bienes que mantienen la vida moderna en funcionamiento —desde alimentos y medicamentos hasta materiales de construcción—. Sin embargo, una cantidad sorprendente de esos camiones circula casi o completamente vacía, desperdiciando combustible, deteriorando las carreteras y contribuyendo a la congestión y la contaminación del aire sin mover carga. Este estudio muestra cómo los datos que ya se recopilan de los camiones por razones de seguridad pueden reutilizarse para determinar, casi en tiempo real, si un vehículo va cargado o vacío, creando nuevas herramientas para aumentar la eficiencia del transporte de mercancías, reducir emisiones y gestionar mejor la infraestructura vial.

Pistas ocultas dentro de las cajas negras de los camiones

En Corea, los camiones por encima de cierto tamaño deben llevar un dispositivo llamado tacógrafo digital, que registra de forma continua información básica de conducción como velocidad, aceleración, revoluciones del motor y posición GPS. A diferencia de los costosos sensores a medida o los sistemas de pesaje en carretera, estas unidades ya están instaladas a nivel nacional y funcionan todos los días en condiciones del mundo real. Los investigadores plantearon una pregunta sencilla pero poderosa: usando solo estas señales estándar, ¿podemos determinar de forma fiable si un camión transporta carga o circula vacío, sin añadir ningún hardware nuevo?

Usar la física básica para interpretar el comportamiento del camión

El equipo basó su enfoque en una idea física directa: un camión pesado es más difícil de acelerar que uno ligero. Para hacer este principio utilizable a gran escala, combinaron los datos del tacógrafo con mapas de carreteras e información de elevación. A partir de las señales sin procesar dedujeron qué marcha estaba usando el camión, a qué velocidad se desplazaba y si estaba subiendo o en terreno llano, y luego se centraron en los momentos en que el conductor aceleraba realmente. Al comparar los patrones de aceleración de trayectos conocidos como cargados frente a vacíos —usando documentos de transporte como verdad de referencia— confirmaron que los camiones cargados muestran aceleraciones notablemente más débiles en condiciones comparables de velocidad, marcha y pendiente.

Enseñar a una máquina prudente a decidir

En lugar de confiar en una simple regla empírica, los investigadores entrenaron una red neuronal bayesiana, un tipo de modelo de aprendizaje automático que no solo predice un resultado sino que también expresa cuánta confianza tiene. El modelo utilizó tres ingredientes clave —velocidad, marcha inferida y aceleración media durante ráfagas cortas de nueve segundos— para clasificar cada segmento de conducción como cargado o vacío. En registros individuales, identificó correctamente el estado de carga en aproximadamente tres cuartas partes de los casos. Cuando el modelo analizó periodos cortos de aceleración, la precisión subió hasta alrededor del 85 por ciento en general y superó el 90 por ciento en autopistas, donde la conducción es más estable. Al combinar varios segmentos consecutivos, alcanzó una precisión casi perfecta en este caso de estudio, señalando a la vez los casos inciertos en lugar de forzar una conjetura.

De flujos de datos a mejores carreteras y aire más limpio

Dado que los tacógrafos digitales ya son obligatorios para camiones pesados en Corea, este método puede ampliarse para ofrecer una imagen en directo de dónde y cuándo los camiones transportan mercancías frente a cuándo circulan vacíos, todo ello sin instalar nuevos sensores. Esa información podría ayudar a las empresas logística a asignar camiones vacíos a cargas cercanas, reduciendo viajes innecesarios; proporcionar a los planificadores una visión más clara de dónde las cargas pesadas están estresando pavimentos y puentes; y apoyar una aplicación más inteligente contra la sobrecarga crónica. Aunque el estudio actual se centró en un tipo de camión de 25 toneladas de una sola empresa, el marco puede reentrenarse para otras flotas, convirtiendo los datos rutinarios de seguridad en una herramienta práctica para sistemas de transporte de mercancías más limpios, eficientes y duraderos.

Cita: 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

Palabras clave: camiones de mercancías, tacógrafo digital, datos de transporte, aprendizaje automático, eficiencia logística