在美國各地，人們對州和縣一級執行的車輛尾氣檢查和維護計劃(I/M)的成本和效力提出了一些批評。作為回應，工程與公共政策專業的博士Prithvi Acharya和他的顧問，土木與環境工程的Scott Matthews與公共政策專業的Paul Fischbeck合作。他們發明了一種新的方法，通過遠程數據傳輸和機器學習來識別尾氣排放超標的車輛，這種方法比目前的排放檢查程序既便宜又有效。

[[338585]]

美國大多數州都要求車輛進行定期尾氣檢查，以確保車輛的尾氣排放不超過標準，以保持空氣質量。有些人可能不知道的是，現在排放量通常是通過汽車本身的車載診斷系統(OBD)測量的，車載診斷系統處理車輛所有數據。盡管該系統識別出的排放超標有87%可能是真實的，但與實際排放的排氣管測量相比，它也有50%的錯誤通過率。

隨著汽車作為智能設備越來越多地集成到物聯網(IoT)中，并且當所有必要數據都存儲在車輛的OBD上時，州和縣政府再也沒有任何理由強迫司機來定期進行尾氣檢查。為了消除這些不必要的成本并提高尾氣排放檢查和維護計劃(I/M)的有效性，Acharya、Matthews和Fischbeck在IEEE Transactions on Intelligent Transportation Systems上發表了他們最近的研究。

他們的新方法需要將數據直接從車輛發送到司機所在州或縣管理的云服務器上，從而無需定期檢查車輛。取而代之的是，這些數據將通過機器學習算法來運行，這些算法可以識別出過度排放車輛中普遍存在的數據趨勢和代碼。這意味著，大多數司機將不需要前往檢測場進行現場檢查，除非他們的車輛數據顯示可能存在排放超標，這時可以聯系他們來做進一步的檢查和維護。

研究小組的工作不僅表明，可以通過更智能的尾氣排放檢查程序節省大量時間和成本，而且他們的研究還表明這些方法如何更加有效。他們用于識別車輛可能排放超標的模型比目前的車載診斷系統準確24%。這使其更便宜、要求更低，并且在減少車輛排放方面更有效。

這項研究可能會對目前實施尾氣排放檢查和維護計劃(I/M)的美國31個州的居民產生重大影響。隨著現有車輛年檢舉措面臨公眾的不斷批評，該團隊提出了一種新穎的系統，該系統既能顯著降低成本，又能明顯提高減少車輛排放的有效性。他們的研究很可能會重新定義美國如何控制和減少汽車排放的檢測方式。