Identifikation hoch-emittierender Fahrzeuge mittels Machine Learning (HEVI-ML)

• Antragstellerin: Dr. Pinky Kumawat
• Fachliche Zuordnung: Messsysteme ; Physik und Chemie der Atmosphäre
• Förderung: Förderung seit 2026
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 567393450

Luftverschmutzung ist ein großes Umweltrisiko für vorzeitige Todesfälle weltweit, die auch die weitere Minderung der Schadstoffemissionen von Straßenfahrzeugen erfordert. Der Erfolg hängt jedoch mindestens von zwei Faktoren ab: Dass die anfangs niedrigen Emissionen der Neufahrzeuge auch tatsächlich niedrig bleiben für die gesamte Nutzungsdauer und dass Probleme mit der Abgasreinigung, die zu hohen Schadstoffemissionen führen, schnell erkannt und behoben werden. Mit Remote Sensing Verfahren kann man effizient die Emissionen der Fahrzeugflotte scannen, aber weil man prinzipbedingt nur Schnappschüsse hat, ist es schwierig, einzelne, hoch-emittierende Fahrzeuge zu erkennen. Außerdem werden dazu noch die Kennzeichen fotografiert, was Bedenken beim Datenschutz hervorruft, und damit den breiten Einsatz von Remote Sensing Verfahren begrenzt. Um diese Probleme anzugehen, werden in diesem Projekt kluge Algorithmen entwickelt, die (i) "erschnüffeln" welcher Kraftstoffart und Emissionsstandard ein Fahrzeug zugehört, und damit die Kennzeichenerfassung überflüssig machen, und die (ii) die durchschnittliche Emission der einzelnen Fahrzeuge auf Basis von Remote Sensing Schnappschüssen abschätzen; damit kann man dann entschieden werden, ob das Fahrzeug innerhalb der gültigen Grenzwerte ("sauber") oder darüber emittiert ("Hoch-Emittent"). Die Algorithmen werden zuerst für Pkw entwickelt, und dann auf Lkw transferiert. Die zentrale Idee ist, zuerst Emissionsprofile je Emissionsklasse aus Messungen im Labor bzw. von Messfahrten mit PEMS (portabel emission measurement systems) abzuleiten. Auf diese Profile werden dann die Einzelwerte aus den Feldmessungen mit Remote Sensing "projiziert", um eine Wahrscheinlichkeit für reguläres oder irreguläres Emissionsverhalten abzuleiten. Dafür werden ausgefeilte Machine Learning Algorithmen eingesetzt, darunter Deep Learning Architekturen, und bagging und boosting Ansätze. Umfangreiche Datenmengen und zahlreiche Parameter müssen gleichzeitig analysiert werden, um charakteristische Emissionsprofile zu bestimmen. Die Plausibilität der Modelle wird mittels interpretierbaren Machine Learning Methoden bewertet. Im Ergebnis sollen die hier entwickelten Algorithmen ermöglich, hoch-emittierende Fahrzeuge mithilfe von straßenseitigen Remote Sensing Messungen zu identifizieren, ohne dabei den Datenschutz zu verletzen. Damit würde diese Messtechnik für den Routineeinsatz bei der Feldüberwachung von Abgasemissionen ertüchtigt.

• DFG-Verfahren: Stelle