Fysikledd uppskattning av lastbilslastningsstatus med hjälp av digitala färdskrivardata

Varför lastningsstatus för lastbilar berör oss alla

Varje dag transporterar tusentals tunga lastbilar varor som håller det moderna livet igång — från mat och läkemedel till byggmaterial. Ändå kör en förvånansvärt stor andel av dessa lastbilar runt nästan eller helt tomma, vilket slösar bränsle, sliter på vägarna och bidrar till trängsel och luftföroreningar utan att förflytta någon last. Denna studie visar hur data som redan samlas in från lastbilar för säkerhetsskäl kan återanvändas för att, i nära realtid, avgöra om ett fordon är lastat eller tomt, vilket skapar nya verktyg för att öka godstransporternas effektivitet, minska utsläpp och bättre hantera väginfrastrukturen.

Dolda ledtrådar i lastbilarnas svarta lådor

I Korea måste lastbilar över en viss storlek bära en enhet som kallas digital färdskrivare, som kontinuerligt registrerar grundläggande körinformation som hastighet, acceleration, motorvarvtal och GPS-position. Till skillnad från dyra specialsensorer eller vägsidevågar är dessa enheter redan installerade i hela landet och fungerar dagligen under verkliga förhållanden. Forskarna ställde en enkel men kraftfull fråga: kan vi, med enbart dessa standardmätvärden, på ett tillförlitligt sätt avgöra om en lastbil transporterar last eller kör tom, utan att lägga till någon ny hårdvara?

Använder grundläggande fysik för att tolka lastbilsbeteende

Teamet grundade sin metod på en rak fysisk idé: en tung lastbil är svårare att accelerera än en lätt. För att göra denna princip användbar i stor skala kombinerade de färdskrivardata med vägkartor och höjddata. Utifrån de råa signalerna härledde de vilken växel lastbilen använde, hur snabbt den rörde sig och om den klättrade eller körde på plan mark, och fokuserade sedan på ögonblick då föraren faktiskt accelererade. Genom att jämföra accelerationsmönstren för turer som var kända som lastade respektive tomma — med fraktdokument som sanningsreferens — bekräftade de att lastade lastbilar uppvisar märkbart svagare acceleration under jämförbara hastighets-, växel- och lutningsförhållanden.

Att lära en försiktig maskin att avgöra

I stället för att förlita sig på tumregler tränade forskarna ett bayesianskt neuralt nätverk, en typ av maskininlärningsmodell som inte bara förutspår ett utfall utan också uttrycker hur säker den är. Modellen använde tre nyckelingredienser — hastighet, härledd växel och medelacceleration över korta niosekundersintervall — för att klassificera varje körsegment som lastat eller tomt. För enskilda poster identifierade den laststatus korrekt i ungefär tre fjärdedelar av fallen. När modellen betraktade korta accelerationsperioder ökade noggrannheten till ungefär 85 procent totalt och översteg 90 procent på motorvägar, där körningen är jämnare. Genom att kombinera flera på varandra följande segment nådde den i detta fallstudie nästan perfekt noggrannhet, samtidigt som den fortfarande flaggade osäkra fall i stället för att tvinga fram en gissning.

Från datastreams till bättre vägar och renare luft

Eftersom digitala färdskrivare redan är obligatoriska för tunga lastbilar i Korea kan denna metod skalas upp för att ge en aktuell bild av var och när lastbilar transporterar gods respektive kör tomma — allt utan att installera nya sensorer. Den informationen skulle kunna hjälpa logistikföretag att matcha tomma lastbilar med närliggande frakt, minska onödiga körningar; ge planerare en klarare bild av var tunga laster belastar beläggningar och broar; och stödja smartare tillsyn mot kronisk överlastning. Även om den aktuella studien fokuserade på en typ av 25-tonslastbil från ett enda företag kan ramverket återtränas för andra fordonsparker, och förvandla rutinmässiga säkerhetsdata till ett praktiskt verktyg för renare, mer effektiva och mer hållbara godstransportsystem.

Citering: 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

Nyckelord: lastbilar, digital färdskrivare, transportdata, maskininlärning, logistikeffektivitet