Estimation guidée par la physique de l’état de chargement des véhicules de fret à partir des données du tachygraphe numérique

Pourquoi le chargement des camions nous concerne tous

Chaque jour, des milliers de camions lourds transportent les biens qui font fonctionner la vie moderne — des produits alimentaires et des médicaments aux matériaux de construction. Pourtant, une part surprenante de ces camions circule presque ou complètement à vide, gaspillant du carburant, dégradant les routes et contribuant à la congestion et à la pollution atmosphérique sans transporter de cargaison. Cette étude montre comment des données déjà collectées sur les camions à des fins de sécurité peuvent être réutilisées pour indiquer, en quasi-temps réel, si un véhicule est chargé ou vide, créant de nouveaux outils pour améliorer l’efficacité du fret, réduire les émissions et mieux gérer les infrastructures routières.

Indices cachés à l’intérieur des boîtes noires des camions

En Corée, les camions au-delà d’une certaine taille doivent être équipés d’un appareil appelé tachygraphe numérique, qui enregistre en continu des informations de conduite de base telles que la vitesse, l’accélération, le régime moteur et la position GPS. À la différence de capteurs coûteux sur mesure ou de systèmes de pesée routiers, ces unités sont déjà installées à l’échelle nationale et fonctionnent chaque jour dans des conditions réelles. Les chercheurs ont posé une question simple mais puissante : en n’utilisant que ces signaux standard, peut‑on déterminer de façon fiable si un camion transporte une charge ou circule à vide, sans ajouter de nouveau matériel ?

Utiliser la physique de base pour lire le comportement des camions

L’équipe a fondé son approche sur une idée physique simple : un camion lourd est plus difficile à accélérer qu’un camion léger. Pour rendre ce principe exploitable à grande échelle, ils ont combiné les données du tachygraphe avec des cartes routières et des informations d’altitude. À partir des signaux bruts, ils ont déduit quelle vitesse de boîte (rapport) était utilisée, la vitesse du véhicule et s’il montait ou roulait sur du plat, puis se sont concentrés sur les moments où le conducteur accélère réellement. En comparant les profils d’accélération de trajets dont le statut (chargé vs vide) était connu — en utilisant les documents de fret comme vérité terrain — ils ont confirmé que les camions chargés montrent des accélérations nettement plus faibles dans des conditions comparables de vitesse, de rapport et de pente.

Apprendre à une machine prudente à décider

Plutôt que de se fier à une règle empirique simple, les chercheurs ont entraîné un réseau neuronal bayésien, un type de modèle d’apprentissage automatique qui prédit non seulement un résultat mais exprime aussi son degré de confiance. Le modèle utilisait trois ingrédients clés — la vitesse, le rapport déduit et l’accélération moyenne sur de courts épisodes de neuf secondes — pour classer chaque segment de conduite comme chargé ou vide. Sur des enregistrements individuels, il a correctement identifié le statut de chargement dans environ les trois quarts des cas. Lorsque le modèle observait de courtes périodes d’accélération, la précision montait à environ 85 % au global et dépassait 90 % sur autoroute, où la conduite est plus régulière. En combinant plusieurs segments consécutifs, il a atteint une précision quasi parfaite dans cette étude de cas, tout en signalant les cas incertains plutôt que d’imposer une réponse.

Des flux de données à de meilleures routes et un air plus propre

Parce que les tachygraphes numériques sont déjà obligatoires pour les camions lourds en Corée, cette méthode peut être déployée à grande échelle pour fournir une image en direct des lieux et moments où les camions transportent des marchandises versus circulent à vide, le tout sans installer de nouveaux capteurs. Ces informations pourraient aider les entreprises logistiques à rapprocher les camions vides des cargaisons disponibles, réduisant les trajets inutiles ; donner aux planificateurs une vision plus claire des endroits où les charges lourdes sollicitent les revêtements et les ponts ; et soutenir une meilleure application des règles contre la surcharge chronique. Bien que l’étude actuelle se soit concentrée sur un type de camion de 25 tonnes appartenant à une seule entreprise, le cadre peut être réentraîné pour d’autres flottes, transformant les données de sécurité routinières en un outil pratique pour des systèmes de transport de fret plus propres, plus efficaces et plus durables.

Citation: 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

Mots-clés: camions de fret, tachygraphe numérique, données de transport, apprentissage automatique, efficacité logistique