Ocena obciążenia pojazdów towarowych wspomagana fizyką z wykorzystaniem danych z tachografu cyfrowego

Dlaczego ładowanie ciężarówek ma znaczenie dla wszystkich

Każdego dnia tysiące ciężkich samochodów przewożą towary, które podtrzymują współczesne życie — od artykułów spożywczych i leków po materiały budowlane. A jednak zaskakująco duża część tych pojazdów jeździ niemal pusta lub całkowicie pusta, marnując paliwo, niszcząc nawierzchnie dróg oraz zwiększając zatłoczenie i zanieczyszczenie powietrza, bez przewożenia ładunku. W tym badaniu pokazano, jak dane już zbierane z ciężarówek w celach bezpieczeństwa można wykorzystać ponownie, by niemal w czasie rzeczywistym rozpoznać, czy pojazd jest załadowany czy pusty, tworząc nowe narzędzia poprawiające efektywność przewozów, ograniczające emisje i lepiej zarządzające infrastrukturą drogową.

Ukryte wskazówki w czarnych skrzynkach ciężarówek

W Korei ciężarówki powyżej określonego rozmiaru muszą być wyposażone w urządzenie zwane tachografem cyfrowym, które nieprzerwanie rejestruje podstawowe informacje o jeździe, takie jak prędkość, przyspieszenie, obroty silnika i pozycja GPS. W przeciwieństwie do drogich, specjalistycznych czujników lub przydrożnych systemów ważenia, jednostki te są już zainstalowane w całym kraju i działają codziennie w rzeczywistych warunkach. Badacze postawili proste, lecz silne pytanie: czy korzystając wyłącznie z tych standardowych sygnałów, możemy wiarygodnie określić, czy ciężarówka przewozi ładunek, czy jedzie pusta, bez dodawania nowego sprzętu?

Wykorzystanie podstaw fizyki do odczytu zachowania ciężarówki

Zespół oparł swoje podejście na prostej zasadzie fizycznej: ciężka ciężarówka jest trudniejsza do rozpędzenia niż lekka. Aby uczynić tę zasadę praktyczną na dużą skalę, połączyli dane z tachografu z mapami dróg i informacjami o nachyleniu terenu. Z surowych sygnałów wywnioskowali, na którym biegu jechała ciężarówka, jak szybko się poruszała i czy jechała pod górę czy po płaskim terenie, a następnie skupili się na momentach, gdy kierowca przyspieszał. Porównując wzorce przyspieszeń z kursów znanych jako załadowane i pustych — używając dokumentów przewozowych jako danych referencyjnych — potwierdzili, że ciężarówki z ładunkiem wykazują wyraźnie słabsze przyspieszenia w porównywalnych warunkach prędkości, biegu i nachylenia.

Nauczanie ostrożnej maszyny do podejmowania decyzji

Zamiast polegać na prostej regule, badacze wytrenowali bayesowską sieć neuronową, rodzaj modelu uczenia maszynowego, który nie tylko przewiduje wynik, lecz także wyraża swoją niepewność. Model korzystał z trzech kluczowych składników — prędkości, wnioskowanego biegu oraz średniego przyspieszenia w krótkich dziewięciosekundowych odcinkach — aby sklasyfikować każdy segment jazdy jako załadowany lub pusty. Dla pojedynczych zapisów poprawnie identyfikował stan załadunku w około trzech czwartych przypadków. Gdy model analizował krótkie okresy przyspieszania, dokładność wzrastała do około 85 procent ogółem i przekraczała 90 procent na autostradach, gdzie jazda jest bardziej jednolita. Łącząc kilka kolejnych segmentów, osiągnął niemal doskonałą dokładność w tym studium przypadku, jednocześnie sygnalizując wątpliwe przypadki zamiast wymuszać zgadywanie.

Od strumieni danych do lepszych dróg i czystszego powietrza

Ponieważ tachografy cyfrowe są już obowiązkowe dla ciężkich ciężarówek w Korei, metodę tę można rozszerzyć, aby zapewnić obraz w trybie na żywo, gdzie i kiedy ciężarówki przewożą towary, a kiedy jeżdżą puste — i to bez instalowania nowych czujników. Informacje te mogłyby pomóc firmom logistycznym w dopasowaniu pustych pojazdów do pobliskich ładunków, ograniczając niepotrzebne kursy; dać planistom wyraźniejszy obraz miejsc, gdzie ciężkie ładunki obciążają nawierzchnie i mosty; oraz wspierać inteligentniejsze egzekwowanie przepisów przeciw przewożeniu nadmiernych ładunków. Chociaż obecne badanie skupiło się na jednym typie 25-tonowej ciężarówki z jednej firmy, ramy metodologiczne można przeuczyć dla innych flot, przekształcając rutynowe dane bezpieczeństwa w praktyczne narzędzie dla czystszych, bardziej efektywnych i trwalszych systemów transportu towarowego.

Cytowanie: 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

Słowa kluczowe: ciężarówki transportowe, tachograf cyfrowy, dane transportowe, uczenie maszynowe, efektywność logistyki