namiТруды НАМИTrudy NAMI0135-3152ФГУП «НАМИ»TPFKRLnami-454Research ArticleАВТОМОБИЛЕСТРОЕНИЕAUTOMOBILE DEVELOPMENTВерификация параметров математической модели расхода топлива седельного тягача в реальном времени в привязке к цифровой модели местностиVerification of fuel consumption mathematical model parameters for a truck tractor in real time in relation to the digital terrain modelШадринС. С.ShadrinS. S.

Шадрин Сергей Сергеевич – д-р техн. наук, профессор кафедры «Автомобили»; профессор Передовой инженерной школы (ПИШ) технологического лидерства FDR

г. Москва 125319

г. Москва 107023

D.Sc. (Eng), professor of “Automobiles” department; professor of the Advanced Engineering School (AES) of Technological Leadership FDR

Moscow 125319

Moscow 107023

ДубровскийА. С.DubrovskiiA. S.

Дубровский Артём Семёнович – младший научный сотрудник управления научно-исследовательских работ (УНИР); преподаватель ПИШ технологического лидерства FDR

г. Москва 125319

г. Москва 107023

junior research fellow of Research and Development Directorate (RDD); lecturer of AES of Technological Leadership FDR

Moscow 125319

Moscow 107023

a.s.dubrovskii@mospolytech.ruКеллерА. В.KellerA. V.

Келлер Андрей Владимирович – д-р техн. наук, профессор, заведующий кафедрой «Наземные транспортные средства»

г. Москва 107023

D.Sc. (Eng), professor, head of the department “Land vehicles”

Moscow 107023

МакароваД. А.MakarovaD. A.

Макарова Дарья Алексеевна – канд. техн. наук, младший научный сотрудник УНИР; старший преподаватель ПИШ технологического лидерства FDR

г. Москва 125319

г. Москва 107023

PhD (Eng), junior research fellow of RDD; senior lecturer of AES of Technological Leadership FDR

Moscow 125319

Moscow 107023

ФурлетовЮ. М.FurletovYu. M.

Фурлетов Юрий Михайлович – канд. техн. наук, старший научный сотрудник УНИР; доцент ПИШ технологического лидерства FDR

г. Москва 125319

г. Москва 107023

PhD (Eng), senior research fellow of RDD; associate professor of AES of Technological Leadership FDR

Moscow 125319

Moscow 107023

Московский автомобильно-дорожный государственный технический университет (МАДИ); Московский политехнический университетРоссияMoscow Automobile and Road Construction State Technical University (MADI); Moscow Polytechnic UniversityRussian FederationМосковский автомобильно-дорожный государственный технический университет (МАДИ); Московский политехнический университет;РоссияMoscow Automobile and Road Construction State Technical University (MADI); Moscow Polytechnic UniversityRussian FederationМосковский политехнический университетРоссияMoscow Polytechnic UniversityRussian Federation202610072026021828Copyright © Шадрин С.С., Дубровский А.С., Келлер А.В., Макарова Д.А., Фурлетов Ю.М., 20262026Шадрин С.С., Дубровский А.С., Келлер А.В., Макарова Д.А., Фурлетов Ю.М.Shadrin S.S., Dubrovskii A.S., Keller A.V., Makarova D.A., Furletov Y.M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://nami.elpub.ru/jour/article/view/454

Введение (постановка задачи и актуальность). Предложен физически обоснованный метод рекомендаций оптимальной скорости, который минимизирует прогнозный расход топлива на коротком горизонте с учётом ограничений по ускорениям, скоростным лимитам и сцене дорожного движения. Метод опирается на синхронизированные телеметрию CAN и цифровую модель местности, а также на регрессионную модель, идентифицирующую приведённые коэффициенты модели расхода топлива. Валидация на реальных маршрутах показала экономию топлива без увеличения времени в пути.

Цель исследования – определить и верифицировать методику формирования уставки скорости, позволяющую снижать расход топлива тяжёлых грузовых автомобилей в реальных условиях эксплуатации.

Методология и методы

Методология и методы. Предлагаемый подход структурирован в три взаимосвязанных этапа: 1) регрессионная идентификация параметров физически обоснованной модели расхода топлива по признакам, извлечённым из телематики CAN и цифровой модели местности; 2) краткогоризонтная выпуклая оптимизация уставки скорости с использованием L2-регуляризации; 3) введение перцепционных ограничений, формируемых модулем компьютерного зрения YOLO, что обеспечивает соблюдение требований безопасности и соответствие рекомендаций текущей дорожной обстановке.

Результаты и научная новизна. Получена устойчивая модель соответствия «признаки → коэффициенты», обеспечивающая точные прогнозы расхода топлива; на маршрутах продемонстрирована экономия топлива при соблюдении ограничений дорожной сцены.

Научная новизна – совмещение физически осмысленной регрессионной модели с перцепцией и онлайн-оптимизацией уставки скорости.

Практическая значимость

Практическая значимость. Метод внедряется на штатном ЭБУ/мини-ПК, требует только CAN и картографических данных; генерирует рекомендации для HMI в виде числа и цветовой шкалы, либо управляет интеллектуальным круиз-контролем. Позволяет снижать расход без увеличения времени в пути.

Introduction (problem statement and relevance). The paper suggests a physically substantiated method for recommending the optimum speed that minimizes short-term forecast fuel consumption taking into account constraints in terms of acceleration, speed limits and the traffic scene. The method relies on synchronized CAN telemetry and a digital terrain model, as well as a regression model identifying the reduced coefficients of the fuel consumption model. Validation on real routes showed fuel economy without increasing the travel time.

The purpose of the study is to identify and verify a procedure to form speed settings (commanded speed levels) that allows reduction in fuel consumption of heavy trucks under real operating conditions.

Methodology and research methods. The suggested approach is structured into three interconnected stages: 1) regression identification of parameters of a physically substantiated fuel consumption model based on properties extracted from CAN telematics and the digital terrain model; 2) short-term convex optimization of speed settings using L2-regularization; 3) introduction of perceptual constraints formed by the YOLO computer vision module, which ensures compliance with safety requirements and conformity of recommendations to the current road situation.

Scientific novelty and results. A stable “properties → coefficients” fit model has been obtained ensuring precise fuel consumption forecasts; fuel economy has been shown on routes while complying with road scene constraints.

Scientific novelty consists in combination of a physically reasonable regression model with perception and online optimization of speed settings.

Practical significance. The method is implemented in a standard ECU/mini-PC requiring only CAN and cartographic data; it generates recommendations for HMI in the form of a number and color scale, or manages intelligent cruise control. This allows reduction in consumption without worsening the travel time.

расход топливагрузовой автомобильоптимальная скоростьцифровая модель местностиCANYOLOмашинное обучениеfuel consumptiontruckoptimum speeddigital terrain modelCANYOLOmachine learningReferencesNariendra P.W., Lestiani M.E. Calibration of HDM‑4 model for fuel consumption in heavy-duty trucks: integration of telematics, engine speed, and aerodynamics // Automotive Experiences. – 2025. – V. 8, no. 1. – P. 109–121. DOI: 10.31603/ae.12862.Nariendra P.W., Lestiani M.E. Calibration of HDM‑4 model for fuel consumption in heavy-duty trucks: integration of telematics, engine speed, and aerodynamics // Automotive Experiences. – 2025. – V. 8, no. 1. – P. 109–121. DOI: 10.31603/ae.12862.Du K., Shi Q., Song J., Chen D., Liu W. Prediction of truck fuel consumption based on crossformer-lstm characteristic distillation // Applied Sciences. – 2025. – V. 15, no. 1. – Art. 283. DOI: 10.3390/app15010283.Du K., Shi Q., Song J., Chen D., Liu W. Prediction of truck fuel consumption based on crossformer-lstm characteristic distillation // Applied Sciences. – 2025. – V. 15, no. 1. – Art. 283. DOI: 10.3390/app15010283.Semenov I., Świderski A., Borucka A., Guzanek P. Concept of early prediction and identification of truck vehicle failures supported by in-vehicle telematics platform based on abnormality detection algorithm // Applied Sciences. – 2024. – V. 14. – Art. 7191. DOI: 10.3390/app14167191.Semenov I., Świderski A., Borucka A., Guzanek P. Concept of early prediction and identification of truck vehicle failures supported by in-vehicle telematics platform based on abnormality detection algorithm // Applied Sciences. – 2024. – V. 14. – Art. 7191. DOI: 10.3390/app14167191.Ghazikhani A., Davoodipoor S., Fathollahi-Fard A.M., Gheibi M., Moezzi R. Robust truck transit time prediction through GPS data and regression algorithms in mixed traffic scenarios // Mathematics. – 2024. – V. 12. – Art. 2004. DOI: 10.3390/math12132004.Ghazikhani A., Davoodipoor S., Fathollahi-Fard A.M., Gheibi M., Moezzi R. Robust truck transit time prediction through GPS data and regression algorithms in mixed traffic scenarios // Mathematics. – 2024. – V. 12. – Art. 2004. DOI: 10.3390/math12132004.Chu H., Na X., Liu H., Wang Y., Yang Z., Zhang L., Chen H. Real-time co-optimization of gear shifting and engine torque for predictive cruise control of heavy-duty trucks // Chinese Journal of Mechanical Engineering. – 2024. – V. 37. – Art. 42. DOI: 10.1186/s10033-024-01015-7.Chu H., Na X., Liu H., Wang Y., Yang Z., Zhang L., Chen H. Real-time co-optimization of gear shifting and engine torque for predictive cruise control of heavy-duty trucks // Chinese Journal of Mechanical Engineering. – 2024. – V. 37. – Art. 42. DOI: 10.1186/s10033-024-01015-7.D’Agostino V., Verdone G.M., Cardone M. An overview about FPT industrial telematic service for monitoring and diagnostic purposes: first approaches to signal logger data from heavy-duty commercial vehicles // Journal of Physics: Conference Series. – 2024. – V. 2893. – Art. 012106. DOI: 10.1088/1742-6596/2893/1/012106.D’Agostino V., Verdone G.M., Cardone M. An overview about FPT industrial telematic service for monitoring and diagnostic purposes: first approaches to signal logger data from heavy-duty commercial vehicles // Journal of Physics: Conference Series. – 2024. – V. 2893. – Art. 012106. DOI: 10.1088/1742-6596/2893/1/012106.Srinagesh A., Aparna Ch., Chandra Sekhara Rao M.V.P. A GPS-enabled fuel sensor based vehicle tracking system for fleet management using the internet of things // Scalable Computing: Practice and Experience. – 2025. – V. 26, no. 1. – P. 34–47. DOI: 10.12694/scpe.v26i1.3479.Srinagesh A., Aparna Ch., Chandra Sekhara Rao M.V.P. A GPS-enabled fuel sensor based vehicle tracking system for fleet management using the internet of things // Scalable Computing: Practice and Experience. – 2025. – V. 26, no. 1. – P. 34–47. DOI: 10.12694/scpe.v26i1.3479.Huynh N.B.P., Nguyen D.T. Implementation of an IoT-based System for monitoring parameters and tracking transport vehicles // Journal of Technical Education Science. – 2024. – V. 19, no. 6. DOI: 10.54644/jte.2024.1619.Huynh N.B.P., Nguyen D.T. Implementation of an IoT-based System for monitoring parameters and tracking transport vehicles // Journal of Technical Education Science. – 2024. – V. 19, no. 6. DOI: 10.54644/jte.2024.1619.Рахматов Р.И., Тремясов В.В., Ликеев А.П., Малкин И.В., Казаков А.В., Кузьмин А.О. Исследования модальных характеристик c целью комплексной валидации расчётной модели на примере кузова современного автотранспортного средства // Труды НАМИ. – 2023. – № 3 (294). – С. 6–32. DOI: 10.51187/0135-3152-2023-3-6-32. EDN: RGMKBI.Rakhmatov R.I., Tremyasov V.V., Likeev A.P., Malkin I.V., Kazakov A.V., Kuzmin A.O. [Studies of modal characteristics aimed at comprehensive validation of a calculation model by the example of a modern vehicle body]. Trudy NAMI, 2023, no. 3 (294), pp. 6–32. DOI: 10.51187/0135-3152-2023-3-6-32. EDN: RGMKBI.Katreddi S., Thiruvengadam A. Trip based modeling of fuel consumption in modern heavy-duty vehicles using artificial intelligence // Energies. – 2021. – V. 14, no. 24. – Art. 8592. DOI: 10.3390/en14248592.Katreddi S., Thiruvengadam A. Trip based modeling of fuel consumption in modern heavy-duty vehicles using artificial intelligence // Energies. – 2021. – V. 14, no. 24. – Art. 8592. DOI: 10.3390/en14248592.Katreddi S., Kasani S., Thiruvengadam A. A review of applications of artificial intelligence in heavy duty trucks // Energies. – 2022. – V. 15, no. 20. – Art. 7457. DOI: 10.3390/en15207457.Katreddi S., Kasani S., Thiruvengadam A. A review of applications of artificial intelligence in heavy duty trucks // Energies. – 2022. – V. 15, no. 20. – Art. 7457. DOI: 10.3390/en15207457.Vimalesan V. Enhancing fuel economy in heavy-duty trucks: a contemporary approach // International Journal of Scientific Research and Management. – 2024. – V. 12, no. 11. – P. 1692–1694. DOI: 10.18535/ijsrm/v12i11.ec05.Vimalesan V. Enhancing fuel economy in heavy-duty trucks: a contemporary approach // International Journal of Scientific Research and Management. – 2024. – V. 12, no. 11. – P. 1692–1694. DOI: 10.18535/ijsrm/v12i11.ec05.Шелгинских И.Н. Рациональное демпфирование в системе подрессоривания для обеспечения устойчивости автомобиля при высокоскоростном маневрировании // Труды НАМИ. – 2019. – № 1 (276). – С. 55–63. EDN: XODCRH.Shelginskikh I.N. [Rational suspension system damping to ensure the vehicle stability during high-speed maneuvering]. Trudy NAMI, 2019, no. 1 (276), pp. 55–63. EDN: XODCRH. (In Russian)Djidrov M.Z. Challenges in damage detection for real-time monitoring and predictive maintenance methodology // SAR Journal. – 2024. – V. 7, no. 4. – P. 310–316. DOI: 10.18421/SAR74-04.Djidrov M.Z. Challenges in damage detection for real-time monitoring and predictive maintenance methodology // SAR Journal. – 2024. – V. 7, no. 4. – P. 310–316. DOI: 10.18421/SAR74-04.

The authors declare that there are no conflicts of interest present.