Nachhaltigerer LKW-Verkehr durch künstliche Intelligenz für variable Betriebsdaten

in die Zwischenablage kopiert
Projektvolumen
71.425 Euro
Davon 70% Förderung durch das BMVI

Über Fvft

FKZ: 19F2154A
Förderlinie 2

Mit dem aktuellen Stand der Technik zur Kraftstoffverbrauchsvorhersagen sind Vorhersagen über den Kraftstoffverbrauch von zukünftigen LKW-Fahrten mittels künstlicher Intelligenz nicht möglich. Alle Betriebsdaten des LKW werden während der Fahrt gesammelt und stehen deshalb vor Antritt der Fahrt nicht zur Verfügung. Die Betriebsdaten werden allerdings als Einflussfaktoren für Maschinelles Lernen (ML) Modelle genutzt, um den Kraftstoffverbrauch von zukünftigen LKW-Fahrten vorherzusagen.

Um Vorhersagen über den Kraftstoffverbrauch von zukünftigen LKW-Fahrten auf einer vorgegebenen Strecke zu einem in der Zukunft liegenden Zeitpunkt zu treffen, müssen die variablen Betriebsdaten des LKW vorhergesagt werden. Variable Betriebsdaten sind die Betriebsdaten, die von Fahrt zu Fahrt variieren - wie z.B. die Geschwindigkeit oder die Beschleunigung.

Das Ziel dieses Projektes ist den Kraftstoffverbrauch von LKW für zukünftige Fahrten vorherzusagen. Dazu werden zunächst die variablen Betriebsdaten prognostiziert vorhergesagt. Zum Beispiel wird die Geschwindigkeit und die Beschleunigung für eine geplante Fahrt entlang der gesamten Strecke vorhergesagt. Mit diesen vorhergesagten variablen Betriebsdaten lassen sich dann Vorhersagen über den Kraftstoffverbrauch treffen.


Die entwickelten Methoden werden in das Produkt Tracks for Carriers integriert. Es können dann mittels künstlicher Intelligenz unterschiedliche Szenarien wie Streckenwahl oder auch Disposition der LKW simuliert werden. Das Szenario mit geringstem Kraftstoffverbrauch wird dann gewählt. Als Konsequenz können Kraftstoffverbrauch und davon abhängig CO2 Emissionen vorhergesagt und reduziert werden.

Im Projekt werden Daten über das Verkehrsaufkommen bzw. Daten aus der mCLOUD genutzt, um damit ML-Modelle zu trainieren, die die variablen Betriebsdaten für zukünftige Fahrten vorhersagen.

Die Güte der Vorhersage der variablen Einflussfaktoren wird durch Vergleich mit tatsächlich gemessenen Einflussfaktoren verifiziert. Die Güte der Vorhersage des Kraftstoffverbrauchs wird mit Hilfe des tatsächlichen Kraftstoffverbrauchs evaluiert.

Verbundkoordinator

Tracks Logo

Tracks GmbH, Berlin

Beiträge und Veröffentlichungen
Projektticker