Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Reliable High-emitting Vehicle identification using Machine Learning

Opis projektu

Sposób identyfikacji wysokoemisyjnych pojazdów bez danych z tablic rejestracyjnych

Emisje wytwarzane przez pojazdy mają istotny wpływ na zdrowie publiczne. Problem dotyczy pojazdów wysokoemisyjnych, a także źródeł zanieczyszczeń innych niż układy wydechowe, takich jak hamulce i opony. Punktowe gromadzenie próbek jest przystępną cenowo metodą badania emisji, ale może budzić obawy dotyczące prywatności ze względu na gromadzenie danych z tablic rejestracyjnych. Zespół finansowanego ze środków działania „Maria Skłodowska-Curie” projektu RHive-ML zamierza opracować metodę rozróżniania emisji związanych ze spalaniem paliw od innych źródeł zanieczyszczeń dzięki korelacji wskaźników stężeń cząstek stałych (PN, BC) z poziomami CO2. Korelacja ta pomoże zidentyfikować pojazdy emitujące wyłącznie cząstki niezwiązane z układem wydechowym, w tym pojazdy elektryczne. Modele uczenia maszynowego przeanalizują emisje pochodzące ze spalania w celu określenia rodzaju paliwa i norm emisji bez konieczności odczytywania numerów rejestracyjnych. Celem tych prac jest stworzenie rozwiązania zapewniającego poszanowanie prywatności, które umożliwi wykrywanie w czasie rzeczywistym pojazdów o wysokim poziomie emisji.

Cel

Air pollution remains a leading environmental health risk, with road traffic a major contributor. Although strict regulations have reduced emissions from new vehicles, two persistent challenges undermine progress: a minority of high emitters caused by malfunctioning or tampered aftertreatment systems, and the rising contribution of non-exhaust emissions from brakes, tyres, and road dust. Point Sampling (PS) provides a cost-effective, accurate approach to capture real-world emissions, but its use is constrained by the need to distinguish combustion-based from non-exhaust particles and by reliance on number plate data, which raises privacy concerns. This project will overcome these limitations by separating combustion from non-exhaust emissions through correlation of particle metrics (PN, BC) with CO2, where strong correlation signals combustion-related sources. Based on this separation, vehicles that only emit non-exhaust particles can be identified as electric vehicles (EVs). Machine learning (ML) models will then be developed on combustion-based emissions to infer fuel type and emission standard without number plate readings, and to translate PS snapshots into representative average emissions to identify high emitters while distinguishing them from Diesel Particulate Filter regeneration events. The models will be trained on detailed emission profiles derived from chassis dynamometer and Portable Emission Measurement System data and applied to PS datasets from European field campaigns, with robustness and interpretability ensured through state-of-the-art ML algorithms and interpretable ML methods. The outcome will be a privacy-respecting, PS-based framework for large-scale, real-time detection of high emitters, enabling stronger enforcement of emission standards, effective mitigation of traffic-related air pollution, reliable identification of EVs from non-exhaust-only signatures, and future-proofing of European emission control policies.

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) HORIZON-MSCA-2025-PF

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Koordynator

TECHNISCHE UNIVERSITAET GRAZ
Wkład UE netto
€ 230 184,72
Koszt całkowity
Brak danych

Partnerzy (1)