Estimativa guiada por física do status de carregamento de veículos de carga usando dados de tacógrafo digital

Por que o carregamento de caminhões importa para todos

Toda semana, milhares de caminhões pesados transportam mercadorias que mantêm a vida moderna em funcionamento — desde alimentos e medicamentos até materiais de construção. Ainda assim, uma parcela surpreendente desses veículos circula quase ou completamente vazia, desperdiçando combustível, desgastando as vias e aumentando congestionamento e poluição do ar sem transportar carga. Este estudo mostra como dados já coletados dos caminhões para fins de segurança podem ser reaproveitados para indicar, em quase tempo real, se um veículo está carregado ou vazio, criando novas ferramentas para aumentar a eficiência do transporte de carga, reduzir emissões e gerir melhor a infraestrutura viária.

Pistas ocultas dentro das caixas-pretas dos caminhões

Na Coreia, caminhões acima de determinado porte devem portar um dispositivo chamado tacógrafo digital, que registra continuamente informações básicas de condução, como velocidade, aceleração, rotações do motor e posição por GPS. Diferentemente de sensores caros e específicos ou de sistemas de pesagem nas vias, essas unidades já estão instaladas em todo o país e operam diariamente em condições reais. Os pesquisadores fizeram uma pergunta simples, porém poderosa: usando apenas esses sinais padrão, podemos determinar com confiabilidade se um caminhão está transportando carga ou circulando vazio, sem acrescentar novo hardware?

Usando física básica para ler o comportamento do caminhão

A equipe fundamentou sua abordagem em uma ideia física direta: um caminhão pesado é mais difícil de acelerar do que um leve. Para tornar esse princípio utilizável em larga escala, combinaram os dados do tacógrafo com mapas de estradas e informações de elevação. A partir dos sinais brutos inferiram qual marcha o caminhão estava usando, quão rápido ele se deslocava e se estava subindo ou em terreno plano, depois concentraram-se nos momentos em que o motorista realmente acelerava. Comparando os padrões de aceleração de viagens conhecidas como carregadas versus vazias — usando documentos de frete como verdade de referência — confirmaram que veículos carregados exibem acelerações nitidamente mais fracas em condições comparáveis de velocidade, marcha e declive.

Ensinando uma máquina cautelosa a decidir

Em vez de depender de uma regra empírica simples, os pesquisadores treinaram uma rede neural bayesiana, um tipo de modelo de aprendizado de máquina que não apenas prevê um resultado, mas também expressa quão confiante está. O modelo usou três ingredientes-chave — velocidade, marcha inferida e aceleração média em rajadas curtas de nove segundos — para classificar cada segmento de condução como carregado ou vazio. Em registros individuais, identificou corretamente o status de carga em cerca de três quartos dos casos. Quando o modelo analisou períodos curtos de aceleração, a precisão subiu para cerca de 85% no geral e ultrapassou 90% em rodovias, onde a condução é mais estável. Ao combinar vários segmentos consecutivos, alcançou precisão quase perfeita neste estudo de caso, ao mesmo tempo em que sinalizava casos incertos em vez de forçar um palpite.

De fluxos de dados a estradas melhores e ar mais limpo

Como os tacógrafos digitais já são obrigatórios para caminhões pesados na Coreia, esse método pode ser ampliado para fornecer um panorama em tempo real de onde e quando caminhões estão transportando mercadorias versus circulando vazios, tudo sem instalar novos sensores. Essa informação poderia ajudar empresas de logística a combinar caminhões vazios com cargas próximas, reduzindo viagens desperdiçadas; dar aos planejadores uma visão mais clara de onde cargas pesadas estão sobrecarregando pavimentos e pontes; e apoiar uma fiscalização mais inteligente contra sobrecargas crônicas. Embora o estudo atual tenha se concentrado em um tipo de caminhão de 25 toneladas de uma única empresa, a estrutura pode ser retreinada para outras frotas, transformando dados rotineiros de segurança em uma ferramenta prática para sistemas de transporte de carga mais limpos, eficientes e duráveis.

Citação: 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

Palavras-chave: caminhões de carga, tacógrafo digital, dados de transporte, aprendizado de máquina, eficiência logística