Project Tyre Road Noise - Data-based study of effects on controlled and real drive noise emission

Verkehrslärm, insbesondere verursacht durch den Kontakt zwischen Reifen und Straße, hat einen erheblichen Einfluss auf das Wohlbefinden der Bürger. Da die EU strengere Emissionsstandards durchsetzt, wird die Einhaltung zu einer herausfordernden Aufgabe. Der aktuelle Homologationsprozess bewertet den Reifen-Straßen-Lärm (TRN) unter spezifischen Bedingungen, was seine Relevanz für reale Verkehrsszenarien einschränkt. Dieses Projekt adressiert die Unzulänglichkeit des bestehenden Wissens für eine umfassende Minderung, indem es das Potenzial zur Reduzierung von Reifen-Straßen-Lärmemissionen (TRNE) untersucht. Der Ansatz umfasst die Erstellung einer umfassenden Datenbasis für TRNE und dessen Einflussfaktoren unter tatsächlichen Straßenverkehrsbedingungen. Ein auf Statistik und maschinellem Lernen basierendes Vorhersagemodell wird entwickelt, um Emissionen auf verschiedenen Straßen aus spezifischen Messungen auf einer einzigen Straße zu extrapolieren, was die Ableitung von Lärmminderungsmaßnahmen ermöglicht. Eine Fahrzeugflotte sammelt Daten zu TRNE durch einfache Messtechniken, wobei fortschrittliche Methoden Parameter schätzen, die gegen Ground-Truth-Daten validiert werden. Das Lärmvorausagemodell, basierend auf Statistik und maschinellem Lernen und unter Berücksichtigung von Straßeneinflüssen und bietet den Herstellern und Straßenbehörden zusätzliche Strategien zur Lärmminderung. Die verfeinerte Vorhersage der Straßeneinflüsse verbessert die Vergleichbarkeit der Messungen auf verschiedenen Homologationsrouten und führt zu einem präziseren Ausgleich widersprüchlicher Ziele. Letztendlich wird die Vorhersagbarkeit der Auswirkungen von Reifen- und Straßenmaßnahmen auf öffentlichen Straßen und die Verkehrslärmbelastung der Bürger erheblich verbessert.

Unser Arbeitspaket (WP 6: Vorbereitung und Entwicklung von (KI-)Methoden) befasst sich mit der Entwicklung und Implementierung von Methoden zur großflächigen Datenanalyse. Das Hauptziel besteht darin, einen umfassenden Überblick über die bestehenden Schätzmethoden zur Reifen-Straßen-Lärm-Vorhersage zu geben und diese durch Integration von statistischen und maschinellen Lerntechniken zu verbessern. Darüber hinaus wird WP 6 eng mit den anderen Daten-Erfassungs-WPs zusammenarbeiten, um genauere und umfassendere Schätzungen zu liefern.

Weitere Informationen gibt es auf der offiziellen Webseite.