在美国各地，人们对州和县一级执行的车辆尾气检查和维护计划(I/M)的成本和效力提出了一些批评。作为回应，工程与公共政策专业的博士Prithvi Acharya和他的顾问，土木与环境工程的Scott Matthews与公共政策专业的Paul Fischbeck合作。他们发明了一种新的方法，通过远程数据传输和机器学习来识别尾气排放超标的车辆，这种方法比目前的排放检查程序既便宜又有效。
美国大多数州都要求车辆进行定期尾气检查，以确保车辆的尾气排放不超过标准，以保持空气质量。有些人可能不知道的是，现在排放量通常是通过汽车本身的车载诊断系统(OBD)测量的，车载诊断系统处理车辆所有数据。尽管该系统识别出的排放超标有87%可能是真实的，但与实际排放的排气管测量相比，它也有50%的错误通过率。
随着汽车作为智能设备越来越多地集成到物联网(IoT)中，并且当所有必要数据都存储在车辆的OBD上时，州和县政府再也没有任何理由强迫司机来定期进行尾气检查。为了消除这些不必要的成本并提高尾气排放检查和维护计划(I/M)的有效性，Acharya、Matthews和Fischbeck在IEEE Transactions on Intelligent Transportation Systems上发表了他们最近的研究。
他们的新方法需要将数据直接从车辆发送到司机所在州或县管理的云服务器上，从而无需定期检查车辆。取而代之的是，这些数据将通过机器学习算法来运行，这些算法可以识别出过度排放车辆中普遍存在的数据趋势和代码。这意味着，大多数司机将不需要前往检测场进行现场检查，除非他们的车辆数据显示可能存在排放超标，这时可以联系他们来做进一步的检查和维护。
研究小组的工作不仅表明，可以通过更智能的尾气排放检查程序节省大量时间和成本，而且他们的研究还表明这些方法如何更加有效。他们用于识别车辆可能排放超标的模型比目前的车载诊断系统准确24%。这使其更便宜、要求更低，并且在减少车辆排放方面更有效。
这项研究可能会对目前实施尾气排放检查和维护计划(I/M)的美国31个州的居民产生重大影响。随着现有车辆年检举措面临公众的不断批评，该团队提出了一种新颖的系统，该系统既能显著降低成本，又能明显提高减少车辆排放的有效性。他们的研究很可能会重新定义美国如何控制和减少汽车排放的检测方式。
