Metodología

• Metodología

  • Comparación de rendimiento entre conductores humanos y vehículos autónomos

    

    

    A pesar de la disponibilidad pública de datos de accidentes automovilísticos tanto con conductores humanos como autónomos, realizar una comparación significativa entre ambos es una tarea desafiante. Con el objetivo de garantizar que la comparación sea justa, existe una cantidad de factores que deben tomarse en cuenta. A continuación, se detallan los más importantes:

    • Los datos de conductores humanos y de vehículos autónomos tienen diferentes parámetros para determinar qué cuenta como un accidente automovilístico. Los operadores de vehículos autónomos como Waymo deben denunciar cualquier contacto físico que genere o pueda generar daños a la propiedad, lesiones o muertes, mientras que la mayoría de los datos de accidentes con conductores humanos requieren daños significativos para denunciar la colisión a la policía.
    • No todos los accidentes automovilísticos con conductores humanos se denuncian. La NHTSA estima que el 60% de los accidentes que causan daños a la propiedad y el 32% de accidentes con lesiones no se denuncian a la policía (Blincoe y otros 2023). En cambio, las empresas de vehículos autónomos denuncian incluso accidentes menores para demostrar los niveles de confianza que brinda la conducción autónoma en la vía pública.
    • El foco debería ponerse en accidentes que causen lesiones. Los accidentes a baja velocidad que generan daños menores pueden causar daños a la propiedad fácilmente reparables. Este tipo de accidentes también son los más frecuentes. En materia de seguridad vial, se hace más énfasis en reducir los accidentes de mayor gravedad que pueden generar lesiones.
    • Es importante contemplar las tasas de los eventos (incidentes por milla) en lugar de conteos absolutos. Waymo está expandiendo sus operaciones en las ciudades en las que brinda sus servicios. Con más millas recorridas, se registrarán más colisiones absolutas. Es importante considerar las millas totales recorridas para calcular con precisión las tasas de incidentes. Si no se consideran las millas recorridas, es posible que parezca que los accidentes aumentan, cuando en realidad la tasa de incidentes está disminuyendo.
    • No todas las calles de una ciudad tienen el mismo nivel de dificultad. A lo largo de los años, las operaciones de Waymo se han expandido y, como brindamos un servicio de transporte privado a pedido, la combinación de distintas formas de conducción refleja a gran escala la demanda de los usuarios. Los resultados en este centro de datos muestran los estándares de referencia de conductores humanos informados en Scanlon y otros (2023) que se ajustaron para tener en cuenta las diferencias en la combinación de formas de conducción usando el método que describen Chen y otros (2024).

    Waymo empleó las prácticas recomendadas de la industria para hacer una comparación justa entre fuentes de datos de conductores humanos y vehículos autónomos, que se pueden encontrar en esta página web. Más abajo puedes encontrar un análisis más exhaustivo. Además, puedes obtener más información en varias de las publicaciones de seguridad de Waymo.

  • Cómo seleccionamos los incidentes de Waymo que se muestran en este centro

    

    

    Los datos de Waymo se extraen de los accidentes informados en las denuncias SGO de la NHTSA y usan los mismos criterios que describen Kusano y otros (2024).

    Usamos datos disponibles públicamente de forma deliberada para permitir que otros investigadores puedan replicar los resultados. Para vincular los datos que se muestran en este panel con los datos publicados de denuncias SGO de la NHTSA, los investigadores pueden descargar una lista con los identificadores de los reportes y la pertenencia booleana para cada grupo de desenlace en la sección de descargas que se encuentra más abajo.

    Comparamos la tasa de accidentes automovilísticos de Waymo con datos de accidentes humanos en diferentes tipos de accidentes:

    Desenlace	Descripción	Datos de Waymo*	Estándar de referencia de conductores humanos
    Se denunció a la policía	Un accidente en el que se haya creado una denuncia policial	Cualquier accidente automovilístico con una denuncia SGO cuyo campo “Investigado por la autoridad de orden público” tenga como respuesta “Sí” o “Desconocido”	Tasa de vehículos que sufrieron un accidente automovilístico que se denunció a la policía según datos de accidentes estatales (no se aplicó ninguna corrección por denuncias no realizadas)
    Se denunciaron lesiones	Un accidente en el que cualquier usuario haya resultado lesionado	Cualquier accidente automovilístico con una denuncia SGO cuyo campo “Mayor grado de gravedad de la presunta lesión” tenga como respuesta “Menor”, “Moderada”, “Grave” o “Fatal” (también se incluye el grado de gravedad que se registre como “Desconocido” en la denuncia SGO cuando se mencionan lesiones)	Tasa de vehículos que sufrieron un accidente automovilístico y que se haya denunciado a la policía en los que al menos un usuario haya informado una lesión (se aplicó un ajuste por denuncias no realizadas del 32% según Blincoe y otros [2023])
    Se activaron los airbags	Un accidente automovilístico en el que en cualquier vehículo involucrado se hayan activado los airbags	Cualquier accidente automovilístico con una denuncia SGO cuyo campo “¿Se emplearon bolsas de aire?” tenga como respuesta “Sí” tanto para el vehículo que chocó como para el que recibió el choque	Tasa de vehículos que sufrieron un accidente automovilístico en el que en cualquier vehículo involucrado se hayan activado los airbags (no se aplicó ninguna corrección por denuncias no realizadas)

    * De acuerdo a los datos iniciales enviados como parte de las denuncias SGO de la NHTSA de enero de 2021.

  • Estándares de referencia de conductores humanos

    

    

    Los estándares de referencia de conductores humanos son los mismos que los que informan Scanlon y otros (2024). Estos estándares de referencia emplean registros de accidentes automovilísticos de la policía estatal y datos de millas recorridas de vehículos en ubicaciones en las que actualmente Waymo brinda sus servicios autónomos (Phoenix, San Francisco y Los Ángeles). Los estándares de referencia de conductores humanos se toman de forma que solo se cuentan los accidentes y las millas recorridas del vehículo correspondientes a vehículos de pasajeros que circulan en las rutas que opera Waymo (excluyendo autopistas). Se aplicó una corrección del 32% a los estándares de referencia de “cualquier lesión denunciada” por denuncias no realizadas (según el estudio de Blincoe y otros de la NHTSA, 2023) para tener en cuenta los accidentes que cometieron humanos y no se informaron. Las tasas de los estándares de referencia de conductores humanos que sufrieron accidentes automovilísticos que se denunciaron a la policía y que activaron airbags utilizaron los choques observados sin aplicar una corrección por denuncias no realizadas.

    No todas las calles de una ciudad tienen el mismo nivel de dificultad. Si un vehículo de Waymo conduce con más frecuencia en partes más desafiantes de una ciudad cuya tasa de accidentes automovilísticos es mayor, es probable que la tasa no sea representativa en comparación con zonas más tranquilas. Los estándares de referencia que muestran Scanlon y otros son a nivel de la ciudad y no para ubicaciones o calles específicas. Los estándares de referencia de conductores humanos que se muestran en este centro de datos se ajustaron usando el método que describen Chen y otros (2024), en el que se crean modelos del efecto de la distribución espacial en el riesgo de colisión. La metodología ajusta estándares de referencia a nivel de la ciudad para tener en cuenta la distribución única que se da durante la conducción de Waymo. El resultado de este método de reponderación es que los estándares de referencia de conductores humanos son más representativos en las áreas de la ciudad en las que Waymo transita con más frecuencia, lo que mejora la homologación de datos entre accidentes humanos y de Waymo. Alcanzar la mejor homologación de datos posible, a pesar de las limitaciones de los datos disponibles, es parte de las nuevas prácticas recomendadas publicadas de Scanlon y otros 2024b en la Retrospective Automated Vehicle Evaluation (RAVE).

  • Intervalos de confianza y limitación de datos

    

    

    Los intervalos de confianza para las tasas de accidentes automovilísticos por millón de millas (IPMM, por su sigla en inglés) se computaron usando el método de distribución de Poisson. Los intervalos de confianza para la reducción de porcentaje usaron la prueba binomial de Clopper-Pearson que describe Nelson (1970). Ambos intervalos se evaluaron con un nivel de confianza del 95%. Estos intervalos usan los mismos métodos que describen Kusano y otros (2023).

    No hay una comparación exacta ni perfecta con datos disponibles entre conductores humanos y vehículos autónomos hoy en día. Las comparativas y los estándares de referencia que se muestran en esta página representan las fuentes de datos de vanguardia actuales de humanos y vehículos autónomos, de acuerdo al estado de la industria en este campo de investigación. Los estándares de referencia de activación de airbags no tienen una corrección por denuncias no realizadas para los datos humanos, ya que no hay un estimado de ese tipo. Sin embargo, es posible que los datos de accidentes humanos sin denunciar sean mayores comparados con los de vehículos autónomos. El estándar de referencia de cualquier lesión denunciada usa una corrección por denuncias no realizadas de Blincoe y otros (2023), según varios análisis de datos de compañías de seguros y denuncias a la policía de accidentes automovilísticos a nivel nacional, y una encuesta nacional telefónica. No es fácil calcular los intervalos de confianza basados en un estimado de la denuncias no realizadas por lesiones, ya que se deriva de múltiples fuentes. También existe evidencia de que las denuncias no realizadas podría ser diferentes entre localidades, lo que significaría que el estimado nacional no representa por completo la denuncias no realizadas en las ciudades en las que Waymo brinda sus servicios. Al igual que con los estándares de referencia de activación de airbags, los de denuncias a la policía no tienen un estimado de denuncias no realizadas, a pesar de que es más probable que las cifras de accidentes causados por humanos sean más elevadas que las de los vehículos autónomos (es decir, que no se denuncie a la policía un accidente automovilístico que está dentro del umbral de las denuncias).

    Consulta la documentación de Scanlon y otros (2024), así como de Kusano y otros (2024), para obtener un panorama más comprensivo de las limitaciones de estos resultados:

    1. Scanlon, J. M., Kusano, K. D., Fraade-Blanar, L. A., McMurry, T. L., Chen, Y. H., y Victor, T. (2024). Benchmarks for Retrospective Automated Driving System Crash Rate Analysis Using Police-Reported Crash Data (Estándares de referencia del análisis retrospectivo de la tasa de accidentes automovilísticos de los sistemas de conducción automatizada a partir de datos reportados a la policía). Traffic Injury Prevention (por publicarse). DOI:10.1080/15389588.2024.2380522.
    2. Kusano, K. D., Scanlon, J. M., Chen, Y. H., McMurry, T. L., Chen, R., Gode, T., y Victor, T. (2024). Comparison of Waymo Rider-only crash data to human benchmarks at 7.1 million miles (Comparación de datos de accidentes automovilísticos de vehículos autónomos de Waymo vs. conductores humanos en 7.1 millones de millas). Traffic Injury Prevention (por publicarse). DOI:10.1080/15389588.2024.2380786.

• Preguntas frecuentes

  • ¿Por qué no hay datos locales de Los Ángeles y Austin?

    

    

    Waymo condujo millas de forma limitada en ciertas ciudades en comparación con otras. Cuando esto sucede, las comparaciones no tienen importancia estadística. No mostramos los resultados de estas ubicaciones cuando Waymo condujo millas de forma limitada porque los intervalos de confianza son tan grandes que distorsionarían los ejes del gráfico que se muestran en esta página. Sí mostramos resultados de todas las ubicaciones en las que se condujeron millas de forma autónoma en la sección de descargas.

  • ¿Por qué se informa sobre accidentes automovilísticos en los que se activaron airbags, hubo lesionados y se denunció a la policía?

    

    

    Los accidentes automovilísticos en los que se activaron airbags, hubo lesionados o se denunció a la policía son más pertinentes a la hora de determinar la seguridad que aquellos en los que solo hubo pequeños daños a la propiedad.

  • ¿Con qué frecuencia se actualizan los datos?

    

    

    En este análisis, usamos datos que están disponibles al público, específicamente las denuncias de accidentes automovilísticos de Waymo que se envían en virtud de la Standing General Order (SGO) de la NHTSA, para permitirles a otros investigadores replicar los resultados. La información que se muestra en esta página web se actualiza constantemente según el cronograma de denuncias SGO de la NHTSA.

    Además de publicar nuevos datos, es posible que actualicemos la metodología utilizada para realizar comparaciones entre el servicio Waymo RO (Rider Only) y los estándares de referencia de conductores humanos. Las prácticas recomendadas en el análisis retrospectivo del impacto en la seguridad son una ciencia en constante evolución. Cuando hagamos cambios en la metodología, comunicaremos las actualizaciones y sus efectos en los resultados y la interpretación de los datos. Para obtener más información detallada, consulta los documentos con las notas de la versión disponibles en la sección de descargas.

  • ¿Se llevó a cabo una revisión por pares de la metodología o se validó externamente?

    

    

    Este análisis utiliza la metodología y los estándares de referencia de conductores humanos presentados en Scanlon y otros (2024), y [Kusano y otros] (http://arxiv.org/abs/2312.12675) (2024).

    La revista científica Traffic Injury Prevention aceptó la publicación de ambas investigaciones, y esperamos que se publiquen a finales de este año.

    Citas:

    • Scanlon, J. M., Kusano, K. D., Fraade-Blanar, L. A., McMurry, T. L., Chen, Y. H., y Victor, T. (2024). Benchmarks for Retrospective Automated Driving System Crash Rate Analysis Using Police-Reported Crash Data (Estándares de referencia del análisis retrospectivo de la tasa de accidentes automovilísticos de los sistemas de conducción automatizada a partir de datos reportados a la policía). Traffic Injury Prevention (por publicarse). doi:10.1080/15389588.2024.2380522.
    • Kusano, K. D., Scanlon, J. M., Chen, Y. H., McMurry, T. L., Chen, R., Gode, T., y Victor, T. (2024). Comparison of Waymo Rider-only crash data to human benchmarks at 7.1 million miles (Comparación de datos de accidentes automovilísticos de vehículos autónomos de Waymo vs. conductores humanos en 7.1 millones de millas). Traffic Injury Prevention (por publicarse). doi:10.1080/15389588.2024.2380786.

    Además, los datos de estándares de referencia de conductores humanos de Scanlon y otros se ajustaron mediante una combinación dinámica de distintas formas de conducción que se describe en Chen y otros (2024). Actualmente, este estudio se encuentra en el proceso de revisión por pares.

  • ¿Por qué no comparten información sobre quiénes son los culpables de las colisiones?

    

    

    Estos análisis incluyen todas las colisiones, sin importar quién tuvo la culpa ni la responsabilidad de Waymo. Asimismo, se requiere una determinación legal para decidir quién fue el autor que desencadenó una colisión o contribuyó a ella. Dicho esto, un estudio reciente, revisado por pares y conducido por Swiss Re concluyó que, en más de 3.8 millones de millas recorridas, Waymo Driver redujo la frecuencia en las reclamaciones de seguros por daños a la propiedad en un 76% y eliminó por completo las reclamaciones por lesiones físicas en comparación a conductores humanos.

    Cita:

    • Di Lillo, L., Gode, T., Zhou, X., Atzei, M., Chen, R., y Victor, T. (2024). Comparative safety performance of autonomous-and human drivers: A real-world case study of the Waymo Driver (Comparación de rendimiento de la seguridad entre conductores autónomos y humanos: caso de éxito de Waymo Driver en el mundo real). Heliyon, 10(14). https://doi.org/10.1016/j.heliyon.2024.e34379

  • Con estos datos, ¿se busca dar a entender que Waymo Driver es más seguro que un conductor humano?

    

    

    Este análisis demuestra que Waymo Driver reduce accidentes automovilísticos en los que se activan airbags, hay lesionados y se realizan denuncias a la policía en comparación con conductores humanos en las ciudades donde brindamos servicios. Otros estudios respaldan estas conclusiones y contribuyen a las crecientes evidencias de los beneficios en materia de seguridad que brinda Waymo Driver. A medida que acumulemos más millas recorridas, será posible obtener conclusiones estadísticamente significativas sobre otros subconjuntos de datos (por ejemplo, Los Ángeles, Austin, tipos de accidentes y otros tipos de accidentes más graves).

    No existe una métrica única para evaluar la seguridad de los vehículos autónomos, y un análisis retrospectivo con datos agregados como este puede ser un factor importante para confirmar elementos de diseño y predicciones realizadas en iteraciones anteriores de nuestro ciclo de vida de determinación de seguridad.

  • ¿Qué hay del impacto de Waymo en accidentes fatales?

    

    

    Este análisis revisa todos los accidentes automovilísticos en los que haya habido lesionados (desde casos menores hasta fatales) y demuestra que Waymo Driver se desempeña mucho mejor en comparación con los conductores humanos. Wayo Driver también está diseñado inherentemente para mitigar o eliminar las principales causas de accidentes fatales, según los datos más recientes de la NHTSA: exceso de velocidad, conducción bajo los efectos del alcohol o distracciones, y pasajeros sin cinturón de seguridad.

    A medida que acumulemos más millas recorridas, será posible obtener conclusiones estadísticamente significativas sobre otros subconjuntos de datos (por ejemplo, Los Ángeles, Austin, tipos de accidentes y otros tipos de accidentes más graves).

    Como ha sido el caso en muchas innovaciones de seguridad en la historia de la seguridad vehicular, existen otras formas de determinar el potencial de una tecnología antes de implementarla a gran escala y acumular millas. Por ejemplo, nuestra investigación, que reconstruyó accidentes automovilísticos fatales con conductores humanos en Chandler, Arizona, concluyó que Waymo Driver evitó el 100% de los accidentes fatales simulados cuando era el iniciador y el 82% de las colisiones incluso cuando era el receptor. Este tipo de estudio, junto con el proceso de determinación de predicciones de seguridad de Waymo, muestran que Waymo Driver tiene un gran potencial para reducir lesiones graves y fatales.

  • ¿Por qué los datos de denuncias SGO de Waymo descargados incluyen el código postal, el día y la ubicación del accidente automovilístico?

    

    

    Esta información es importante para analizar y comprender las colisiones, y no está disponible en las denuncias SGO de la NHTSA.