Разработка и моделирование инновационной автономной интеллектуальной системы сбора отходов на основе знаний

Более умный вывоз мусора для чистых городов

Бытовой мусор и перерабатываемые отходы обычно исчезают с наших тротуаров без лишних раздумий, но процесс, стоящий за этой простой услугой, дорог, загрязняет окружающую среду и часто неэффективен. Грузовики ежедневно проезжают фиксированные маршруты, даже когда многие контейнеры заполнены лишь наполовину, тратя топливо и засоряя улицы. В этом исследовании рассматривается новый способ сбора отходов, который использует данные и автономные транспортные средства для принятия решений о том, когда и куда направлять машины, сокращая затраты, трафик и выбросы при сохранении чистоты районов.

Почему традиционный вывоз не соответствует задаче

Большинство городов по-прежнему полагается на простую схему: парк грузовиков следует по одному и тому же маршруту каждый день, останавливаясь у каждого контейнера независимо от того, насколько он заполнен. Поскольку образование мусора варьируется в зависимости от сезонов, праздников и местных привычек, это приводит к тому, что машины обслуживают множество полупустых контейнеров, расходуя топливо и увеличивая заторы. Предыдущие «умные» системы пытались решить проблему, устанавливая датчики в каждом контейнере для передачи уровня заполнения в реальном времени. На практике оснащение сотен или тысяч контейнеров электроникой оказалось дорогим и хрупким: проблемы варьировались от вандализма и погодных повреждений до замены батарей и беспроводной связности.

Преобразование прошлых вывозов в полезные знания

Вместо проведения проводки к каждому контейнеру авторы предлагают облачную «систему знаний», которая учится на том, что грузовики уже измеряют. Современные сборочные машины могут быть оснащены весовыми датчиками, которые регистрируют вклад каждого контейнера при каждой его опорожнении, вместе с его местоположением и датой. Скомпилировав двухлетние записи для почти 400 контейнеров для переработки в жилом районе Абу‑Даби, исследователи обучили компьютерные модели прогнозировать, сколько отходов будет в каждом контейнере на следующий день. Были протестированы несколько подходов машинного обучения, включая линейные модели, нейронные сети и современные методы на основе деревьев. Лучшая модель могла предсказывать суточное количество отходов на контейнер с относительной ошибкой примерно 4%, что было достаточно точно, чтобы различать контейнеры, которые действительно требовали обслуживания, и те, которые могли спокойно подождать.

Выбор подходящих контейнеров и маршрутов на каждый день

Вооружившись этими прогнозами, система применяет простое правило: планируются только те контейнеры, которые, по прогнозу, достигнут примерно 90% своей вместимости. Контейнеры, предсказанные как менее заполненные, пропускаются в этот день и проверяются вновь в следующем цикле. Отобранные контейнеры затем передаются маршрутизатору, который с помощью цифровых карт находит кратчайший общий путь для грузовика. Исследователи сравнили три конфигурации в течение смоделированного месяца: сегодняшнюю традиционную систему, которая обслуживает каждый контейнер ежедневно; систему на базе датчиков, полагающуюся на измерения контейнеров в реальном времени; и предложенную систему на основе знаний, которая использует прогнозы вместо установки оборудования в каждом контейнере.

Автономные грузовики и влияние в реальном мире

Чтобы понять, как эти стратегии работают на реальных улицах, команда использовала программное обеспечение для моделирования трафика, чтобы смоделировать как управляемые людьми грузовики, так и подключенные автономные транспортные средства. Они ввели реальные данные о потоках, скоростях и планировке дорог для исследуемого района. В «умных» сценариях были дни, когда сбор вообще не требовался, а в дни обслуживания грузовики посещали значительно меньше контейнеров. По сравнению с традиционным подходом обе умные системы сократили пройденное расстояние примерно на 60%, снизили общее время в пути примерно на 85% и уменьшили углеродные выбросы от грузовиков почти вдвое. При добавлении автономного вождения дорожные задержки уменьшались еще больше — примерно на 70–90% в зависимости от сценария — потому что самоуправляемые грузовики могли поддерживать более ровные скорости и взаимодействовать с другими транспортными средствами эффективнее.

Экономия денег при снижении загрязнения

Исследователи также рассмотрели долгосрочные затраты на 15 лет, включая транспортные средства, контейнеры, топливо, обслуживание и электронику. Система с большим количеством датчиков оказалась самой дорогой в целом: скромная экономия топлива от сокращения маршрутов не компенсировала покупки, установки и обслуживания сотен «умных» контейнеров. В отличие от нее, система на основе знаний требовала лишь нескольких датчиков на грузовиках и удаленных облачных вычислений. Она обеспечивала почти те же операционные преимущества, что и система на базе датчиков, при этом сокращая совокупные затраты примерно на две трети по сравнению как с традиционной, так и с датчиковой системами. Даже с учетом дополнительных затрат на оборудование для автономных транспортных средств конфигурация на базе знаний оставалась наиболее экономичным вариантом.

Что это значит для будущих городов

С точки зрения неспециалиста посыл прост: городам не нужно покрывать каждый мусорный контейнер гаджетами, чтобы модернизировать сбор отходов. Изучая прошлые вывозы и используя эту информацию для решения о том, когда и куда отправлять грузовики, можно собрать почти такое же количество отходов при гораздо меньшем числе рейсов. Исследование показывает, что облачная система, управляемая прогнозами — особенно в сочетании с автономными грузовиками — может одновременно сократить трафик, выбросы и расходы. Хотя по‑прежнему требуются полевые испытания, этот подход указывает путь к более чистым, тихим и эффективным районам без добавления заметной сложности на тротуаре.

Цитирование: Abdallah, M., Hosny, M. Development and simulation of an innovative autonomous knowledge-based smart waste collection system. Sci Rep 16, 13414 (2026). https://doi.org/10.1038/s41598-026-48792-w

Ключевые слова: интеллектуальный сбор отходов, автономные транспортные средства, машинное обучение, городская устойчивость, оптимизация маршрутов