Impacto de la seguridad de Waymo

Preguntas frecuentes

• 1. ¿Los resultados son confiables?

  #

  Copy link

  • 1.1.  ¿Los resultados del impacto en la seguridad son una comparación equitativamente justa entre la conducción de Waymo y la de los humanos?

    #

    Copy link

    

    

    • 1.1.1.  ¿Cómo se diseñó y llevó a cabo la investigación sobre el impacto en la seguridad?

      #

      Copy link

      

      

      Aunque la comparación de las tasas de accidentes automovilísticos se reduce a 4 recuentos simples (accidentes automovilísticos y millas para el sistema de conducción automatizada [ADS] y un parámetro de referencia), hay muchas decisiones sobre el diseño del estudio y las fuentes de datos utilizadas que pueden afectar el resultado. La investigación sobre el impacto en la seguridad ha sido una herramienta muy utilizada en la bibliografía de investigación sobre la seguridad vehicular, que se remonta a avances en la seguridad, como el control electrónico de estabilidad y el frenado automático de emergencia. Los ADS, responsables de toda la tarea de conducción dinámica, presentan algunos desafíos únicos y, como resultado, se publicó la lista de verificación de RAVE como un consenso de las prácticas recomendadas de investigación para estudiar el impacto en la seguridad de los ADS. La lista de verificación, que se está desarrollando como un estándar internacional, establece las prácticas recomendadas para realizar estudios de impacto en la seguridad de los ADS, como se presenta en el centro de datos de impacto en la seguridad. La investigación que respalda el centro de datos de impacto en la seguridad está diseñada para cumplir con la lista de verificación de RAVE (consulta el apéndice en línea de Kusano y otros, 2025, para una evaluación de cumplimiento de los métodos con los requisitos de la lista de verificación de RAVE).

    • 1.1.2.  ¿Se informan todos los accidentes de Waymo?

      #

      Copy link

      

      

      La investigación sobre el impacto en la seguridad de Waymo se basa en los informes requeridos por la orden general permanente (SGO) de la Administración Nacional de Seguridad del Tráfico en las Carreteras (NHTSA). Todos los operadores de sistemas de conducción automatizada (ADS) (un término técnico para los operadores de vehículos automatizados como Waymo), incluido Waymo, deben cumplir con la SGO y denunciar todos los accidentes que cumplan con los requisitos dentro de los plazos especificados. La NHTSA tiene la autoridad para investigar y tomar medidas correctivas si cree que hay inconsistencias en las denuncias SGO de los operadores de ADS. Los requisitos de las denuncias SGO incluyen accidentes automovilísticos con daños leves, que es un umbral de informes más bajo (se incluyen más accidentes automovilísticos leves) que las bases de datos tradicionales de accidentes automovilísticos informados por la policía y las aseguradoras. Todos los accidentes automovilísticos en los que se alegue que hubo lesiones o se activó algún airbag, los resultados en los que se enfoca el centro de datos de impacto en la seguridad, deben denunciarse como parte de la SGO. Por lo tanto, dados los estrictos requisitos de informes y las políticas operativas de la flota de Waymo, es muy poco probable que se hayan producido accidentes automovilísticos que hayan provocado los resultados informados en el centro de datos y que no estén incluidos. A modo de referencia, la NHTSA informa (Blincoe y otros, 2023) que las denuncias no realizadas de accidentes de vehículos conducidos por humanos es del 69.7% de los accidentes con daños a la propiedad y del 31.9% de los accidentes con lesiones. Los informes de Waymo son para todos los accidentes automovilísticos conocidos que se detectan con un conjunto de sensores altamente capaces, lo que permite obtener informes más completos. 

      Debido a que Waymo usa datos informados por la policía para obtener los estándares de referencia, solo se incluyen en la comparación con el estándar de referencia los accidentes en los que se remolca el vehículo de Waymo y se contacta con él durante el accidente. En los datos informados por la policía, los vehículos que no se contactan durante una secuencia de colisión no se incluyen como vehículos en los datos del accidente automovilístico. Por lo tanto, comparar los accidentes de Waymo denunciados en la SGO en los que no hubo contacto con el vehículo de Waymo (pero que pueden denunciarse como parte de la SGO debido a la supuesta contribución al accidente) daría un recuento superior al real de la tasa de accidentes de Waymo en relación con la tasa de accidentes. Del mismo modo, el vehículo de Waymo a veces está estacionado en un espacio válido esperando para brindarles servicio a los clientes en el futuro. El software ADS está activo, pero el vehículo está estacionado en un espacio válido (ya sea un espacio marcado o a 45 centímetros de una acera en el caso de estacionamiento en la calle). En los datos de los informes policiales, los vehículos estacionados como estos tampoco se incluyen en el recuento de vehículos (se consideran objetos fijos).

    • 1.1.3.  ¿Los datos de Waymo y los de los conductores humanos miden los mismos resultados?

      #

      Copy link

      

      

      Alinear los datos de accidentes automovilísticos que involucran a conductores humanos y al sistema de conducción automatizada (ADS) es una de las dimensiones más importantes para hacer una comparación justa, y un paso importante para alinear los datos es llegar a una definición coherente de “accidente automovilístico”. La investigación de Waymo sobre el impacto en la seguridad usa investigaciones de evaluación de seguridad anteriores como punto de partida para elegir los resultados de accidentes automovilísticos que se pueden identificar mejor en las fuentes de datos de ADS y de conductores humanos. La fuente de datos de accidentes que involucran a conductores humanos más frecuente y confiable son las bases de datos de informes policiales. No todos los accidentes automovilísticos con conductores humanos se denuncian a la policía, en especial los leves. Los accidentes más graves que provocan la activación de airbags o lesiones (ya sean graves o peores, o de cualquier nivel) son más relevantes para evaluar la seguridad que aquellos que provocan daños leves a la propiedad.

      Aunque creemos que los resultados de lesiones graves o peores, la activación de airbags y cualquier lesión informada son más relevantes para evaluar la seguridad que aquellos que provocan daños leves a la propiedad, de todos modos, hacemos un seguimiento de estas tasas de colisiones leves y las informamos en comparación con los estándares de referencia disponibles en la sección de descargas del sitio web del centro de datos (por ejemplo, cualquier daño a la propiedad o lesión y accidente informado por la policía).

    • 1.1.4.  ¿La comparación tiene en cuenta las diferentes condiciones de conducción, como el clima?

      #

      Copy link

      

      

      La investigación sobre el impacto de Waymo en la seguridad utiliza varios enfoques para alinear las condiciones de conducción entre el estándar de referencia de conductores humanos y la conducción de Waymo: (a) usar datos de conductores humanos de los condados en los que funciona Waymo y (b) un ajuste dinámico del estándar de referencia basado en la ubicación. La conducción es diferente en cada ciudad, y no todas las rutas o condiciones de conducción son igual de riesgosas. Para capturar el riesgo local de accidentes, la investigación de impacto en la seguridad de Waymo usa fuentes de datos de accidentes y de millas recorridas de un vehículo (VMT) mantenidas por el estado y restringidas a los condados en los que Waymo funciona actualmente. Incluso dentro de un condado, las tasas de accidentes que involucran conductores humanos difieren según la parte del condado en la que conduzcas. En general, las áreas más densas de las ciudades tienen tasas de accidentes más altas que las áreas menos densamente pobladas. Para capturar este efecto, los resultados del impacto en la seguridad de Waymo usan un ajuste dinámico de la referencia que pondera la referencia de conductores humanos de forma proporcional a las millas que el servicio de Waymo recorre en cada área (consulta Kusano y otros, 2025 y Chen y otros, 2025, para obtener más información). Cuando se compara la conducción de Waymo con la conducción de referencia en las mismas ubicaciones, se tienen en cuenta implícitamente muchos de los efectos de las condiciones de conducción. Nuestra investigación demostró que las tasas de accidentes automovilísticos varían considerablemente según la ubicación geográfica, por lo que sugerimos no usar un estándar de referencia promedio nacional para compararlo con la conducción de Waymo.

      Alinear mejor las tasas de accidentes automovilísticos de referencia con el entorno de conducción de Waymo a través de datos de accidentes automovilísticos locales y el ajuste dinámico tiene en cuenta muchos, pero no todos, los factores posibles que pueden afectar el riesgo de accidente. Por ejemplo, en las ciudades en las que funciona Waymo actualmente, no nieva de manera significativa, por lo que ni los datos de Waymo ni los de los estándares de referencia de conductores humanos incluyen este tipo de inclemencia del clima. Chen y otros (2025) descubrieron que la hora del día afecta las tasas de accidentes automovilísticos (las tasas de accidentes automovilísticos a altas horas de la noche suelen ser más altas que durante el día). El cuello de botella para tener en cuenta más factores a la hora de alinear los datos de referencia y de Waymo suele ser la falta de datos sobre la exposición de la conducción humana. Por ejemplo, los datos de VMT que se usan para realizar la comparación dinámica se proporcionan como un promedio anual, por lo que no se pueden usar para ajustar la hora del día. Estamos investigando otras fuentes de datos que podrían ayudar a proporcionar datos de conductores humanos para alinear aún más los datos de referencia y de Waymo.

    • 1.1.5.  ¿Por qué la comparación usa todos los conductores humanos del área en la que funciona Waymo en el estándar de referencia?

      #

      Copy link

      

      

      Los resultados del centro de datos de impacto en la seguridad comparan el rendimiento de Waymo en accidentes con la flota actual de conductores humanos de las áreas en las que funciona Waymo, y se utilizan las prácticas recomendadas para alinear los datos de accidentes de Waymo y de conductores humanos. Esta comparación responde a la pregunta de investigación “¿cuál es el efecto de la conducción de Waymo en la situación actual?”. Este tipo de pregunta de investigación es la más básica que se hacen los investigadores cuando se desarrolla y se implementa una nueva tecnología de vehículos (por ejemplo, el frenado de emergencia automatizado o el control electrónico de estabilidad). Este tipo de comparación de la situación actual demuestra el potencial de una tecnología vehicular para mejorar la seguridad vial.

      En otras investigaciones de Waymo, se comparó con otras poblaciones. Por ejemplo, en investigaciones anteriores y en nuestras metodologías prospectivas de determinación de la seguridad que examinan nuestro rendimiento en la prevención de colisiones, comparamos fácilmente el rendimiento de Waymo Driver con el de un conductor “sobrio con la vista puesta en el conflicto (NIEON)”. Existen desafíos metodológicos para crear una versión comparable de la tasa de accidentes automovilísticos de este estándar de referencia, ya que la cantidad exacta de VMT para un conductor “NIEON” no está disponible para cuantificar los estándares de referencia, principalmente porque los conductores humanos no siempre están en un estado NIEON cuando conducen.  En otro trabajo de Swiss Re en colaboración con Waymo (en revisión por pares), se compararon las tasas de reclamaciones de terceros de Waymo con las de humanos que conducen vehículos de última generación. Esto representa otro subconjunto de vehículos conducidos por humanos con mejor rendimiento, ya que los vehículos de última generación suelen tener funciones de seguridad mejoradas.

      Otra comparación potencialmente esclarecedora podría ser con otras poblaciones de conductores, como taxis o transporte privado a pedido conducidos por humanos. Hoy en día, no hay fuentes de datos disponibles públicamente (y, por lo tanto, verificables de forma independiente) para cuantificar los accidentes automovilísticos y las VMT de estas poblaciones especiales en una amplia variedad de resultados, como se hace con los informes policiales generales y las bases de datos públicas de VMT.  Otro estándar de referencia que representaría una expectativa de mejora podría ser el parámetro de referencia de un conductor sobrio. Si bien esta puede ser una comparación valiosa, no evalúa la reducción en la tasa de accidentes automovilísticos de la situación actual. Al igual que con las tasas de población especial, es difícil producir una estimación local tanto de la cantidad de accidentes automovilísticos como de las VMT que involucran conductores bajo los efectos de sustancias. Estas son áreas desafiantes pero valiosas para futuras investigaciones a medida que se disponga de nuevas fuentes de datos.

    • 1.1.6.  ¿Por qué Waymo toma la lesión más importante de toda la secuencia del accidente automovilístico?

      #

      Copy link

      

      

      Los resultados de las lesiones se pueden medir de varias maneras diferentes. No queríamos que nuestro análisis se enfocara demasiado en los ocupantes del vehículo de Waymo, ya que se podría daría un recuento inferior al real del impacto en la seguridad de Waymo en los accidentes automovilísticos que lesionan a personas fuera del vehículo de Waymo. Por lo tanto, elegimos un resultado a nivel de accidente automovilístico que analiza la lesión más importante prolongada de cualquier persona involucrada en toda la secuencia del accidente automovilístico. Una puntuación máxima de lesiones a nivel de accidente automovilístico es una práctica habitual en la investigación de seguridad automotriz y, de hecho, se suele proporcionar directamente en los informes policiales como un campo de entrada.

  • 1.2.  ¿Waymo condujo suficientes millas para sacar conclusiones confiables (importancia estadística)?

    #

    Copy link

    

    

    Puede parecer que las millas recorridas por Waymo (cientos de millones de millas) son insignificantes en comparación con los miles de millones de millas recorridas en las ciudades en las que Waymo conduce o los billones de millas recorridas anualmente en todo Estados Unidos. Sin embargo, cuando se comparan las tasas de dos poblaciones, las conclusiones que se pueden sacar de los datos se rigen por lo que se denomina potencia estadística. La pregunta que responde el centro de datos de impacto en la seguridad es si las tasas de accidentes automovilísticos de Waymo y las de referencia son diferentes. Los datos de entrada para este cálculo son la cantidad de accidentes automovilísticos y la cantidad de millas recorridas por Waymo y las poblaciones de referencia, y se modelan con una distribución de Poisson, la distribución más común para manejar datos de conteo.

    Un ejemplo de este problema sería examinar la cantidad de estudiantes que no aprueban un examen. En un distrito escolar, digamos que 300 de 1,000 estudiantes que realizan el mismo examen no lo aprueban (3 de cada 10 estudiantes que lo realizan no aprueban). Se podría preguntar si una clase A de 20 estudiantes tuvo un rendimiento diferente al de la población general en este examen (ten en cuenta que, para este ejemplo simplificado, suponemos que aprobar o no el examen es independiente de estar en la clase A). Supongamos que en la clase A, 10 de 20 estudiantes no aprobaron el examen (5 de cada 10 estudiantes que lo realizan no aprueban). La clase A tuvo una tasa de no aprobación que es el doble de la tasa del distrito escolar. Sin embargo, cuando usamos un intervalo de confianza de Poisson, la tasa de no aprobación en la clase de 20 no es estadísticamente diferente del promedio del distrito escolar con un nivel de confianza del 95%. Si, en cambio, comparamos la clase A con el estado completo de 100,000 estudiantes (con la misma tasa de 3 estudiantes que no aprueban por cada 10 que rinden el examen o 30,000 de 100,000 que no aprueban), los intervalos de confianza del 95% de esta comparación son casi idénticos a la comparación con el condado (300 de 1,000 estudiantes que realizan el examen). Es decir, para esta comparación, la incertidumbre en la pequeña cantidad de observaciones en la clase A (solo 20 estudiantes) es mucho mayor que la incertidumbre en la población más grande. Tomemos otra clase, la clase B, en la que solo 1 de 20 estudiantes no aprobó el examen (0.5 de cada 10 estudiantes no aprueban). Cuando se aplican los intervalos de confianza del 95%, esta clase B tiene una tasa de aprobación estadísticamente diferente del promedio del condado (y también cuando se compara con el estado). Este ejemplo muestra que, cuando se comparan las tasas de eventos en dos poblaciones en las que una es mucho más grande que la otra (medida por los estudiantes que realizan el examen o por las millas recorridas), los dos factores que impulsan la importancia estadística son (a) la cantidad de observaciones en la población más pequeña (más observaciones = importancia con mayor rapidez) y (b) las diferencias más grandes en las tasas de ocurrencia (diferencia más grande = importancia con mayor rapidez).

    Ahora, consideremos otro experimento con datos de Waymo. Considera la siguiente figura, que mantiene constante la cantidad de activaciones de airbags de Waymo en accidentes automovilísticos (34) y las VMT (71.1 millones de millas), mientras que asume diferentes órdenes de magnitud de millas recorridas en la población de referencia humana (tasa de referencia de 1.649 incidentes por millón de millas con 17,800 millones de millas recorridas). La estimación puntual es que Waymo tiene un 71% menos de estos accidentes automovilísticos que el estándar de referencia. Los intervalos de confianza (también llamados barras de error) muestran la incertidumbre de esta reducción con un nivel de confianza del 95% (este porcentaje es el estándar en la mayoría de las pruebas estadísticas). Si las barras de error no cruzan el 0%, significa que, desde un punto de vista estadístico, tenemos un 95% de confianza en que el resultado no se debe al azar, lo que también denominamos importancia estadística. Esta “simulación” muestra el efecto en la importancia estadística cuando varía la VMT de la población de referencia. Esta comparación sería estadísticamente importante incluso si la población de referencia hubiera recorrido menos millas que la población de Waymo (10 millones de millas). Además, siempre que el estándar de referencia de conductores humanos tenga más de 100 millones de millas, casi no habrá diferencias perceptibles en los intervalos de confianza de la comparación. Es decir, las comparaciones en las grandes ciudades de EE.UU. (basadas en miles de millones de millas) no son diferentes desde una perspectiva estadística que una comparación con la conducción anual total de EE.UU. (billones de millas). Al igual que en el ejemplo de la prueba escolar, Waymo condujo suficientes millas (decenas o cientos de millones), y las reducciones son lo suficientemente grandes (entre un 70% y un 90%) como para alcanzar importancia estadística. 

    

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

    #

    Copy link

    

    

    Este análisis utiliza la metodología y los estándares de referencia de conductores humanos presentados en Scanlon y otros (2024), Kusano y otros (2024), y Kusano y otros (2025).

    Estos artículos de investigación se publicaron en revistas científicas revisadas por pares.

    Citas:

    • Scanlon, J. M., Kusano, K. D., Fraade-Blanar, L. A., McMurry, T. L., Chen, Y. H., & 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, 25(sup1), S51-S65.

    • Kusano, K. D., Scanlon, J. M., Chen, Y. H., McMurry, T. L., Chen, R., Gode, T., & 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 con los estándares de referencia de conductores humanos en 7.1 millones de millas). Traffic Injury Prevention, 25(sup1), S66-S77.

    • Kusano, K. D., Scanlon, J. M., Chen, Y. H., McMurry, T. L., Gode, T., & Victor, T. (2025). Comparison of Waymo Rider-Only Crash Rates by Crash Type to Human Benchmarks at 56.7 Million Miles (Comparación de las tasas de accidentes automovilísticos de vehículos autónomos de Waymo por tipo de accidente con los estándares de referencia de conductores humanos en 56.7 millones de millas). Traffic Injury Prevention, 26(sup1), S8–S20. https://doi.org/10.1080/15389588.2025.2499887.

    Revisión por pares, en la que un artículo de investigación se envía a una revista, y los investigadores anónimos con experiencia en el área de investigación revisan el artículo y sugieren mejoras. Este proceso de revisión se ha mantenido como el estándar de referencia para la publicación de investigaciones. Requiere que la investigación se describa con suficiente detalle para reproducir los resultados, así como que las conclusiones de la investigación se respalden en los resultados. Los métodos utilizados en el centro de datos de impacto en la seguridad son los mismos que en los artículos revisados por pares, lo que proporciona un nivel de transparencia en los métodos. Como es habitual en las publicaciones académicas, también solemos lanzar preimpresiones de las publicaciones mientras los artículos se someten a una revisión por pares, una práctica recomendada actual, con el objetivo de difundir nuestro trabajo y solicitar comentarios de la comunidad científica.

  • 1.4.  ¿Los datos sin procesar están disponibles para los investigadores?

    #

    Copy link

    

    

    Sí, los resultados del centro de datos pueden reproducirse con datos disponibles públicamente. Como escribimos en 1.1.2, todos los recuentos de accidentes automovilísticos de Waymo se basan en eventos informados como parte de la orden general permanente (SGO, por sus siglas en inglés) de la NHTSA. Además, los datos sin procesar que se usan para generar todas las estadísticas en el centro de datos se proporcionan como archivos CSV para descargar, lo que permite que cualquier investigador o tercero replique y verifique los resultados. Estos datos incluyen la cantidad de millas recorridas en cada ubicación (CSV1), la identificación del caso de SGO y las categorías de resultados para cada caso incluido en el análisis (CSV2), las comparaciones con las tasas de accidentes automovilísticos de referencia agregadas por ubicación, resultado y tipo de accidente (CSV3), y las millas recorridas en ubicaciones geográficas de la ciudad que se usaron para el ajuste dinámico de ubicación (CSV4). Los métodos utilizados en el centro de datos se basan en artículos de acceso abierto y revisados por pares (consulta la pregunta 1.3 para ver las citas).

  • 1.5.  ¿Por qué los resultados se presentan en vehículos que sufrieron un accidente por milla?

    #

    Copy link

    

    

    La tasa de vehículos que sufrieron un accidente automovilístico o la tasa a nivel de vehículo se calcula contando la cantidad de vehículos involucrados en accidentes automovilísticos en un cierto nivel de resultado y dividiéndola por las millas recorridas por vehículo (VMT, por sus siglas en inglés) a nivel de población. En el caso de los accidentes de Waymo, la tasa de vehículos que sufrieron un accidente se calcula como la cantidad de vehículos de Waymo que sufrieron accidentes automovilísticos con un determinado nivel de resultado dividida por el total de millas recorridas de forma completamente autónoma (RO, por sus siglas en inglés) por Waymo. Como referencia, es el número total de vehículos involucrados en accidentes automovilísticos de un determinado resultado en los datos de los informes policiales dividido por las VMT totales de la población. 

    Otra métrica disponible es una tasa a nivel de accidente automovilístico (es decir, la cantidad de accidentes por VMT de la población). Es útil usar un ejemplo hipotético y simple para ilustrar por qué comparar un estándar de referencia a nivel de accidente con la tasa a nivel de vehículo de una flota de sistemas de conducción automatizada (ADS, por sus siglas en inglés) genera una discrepancia de unidades que podría llevar a conclusiones erróneas. Considera una población de referencia que incluye dos vehículos que conducen 100 millas antes de que produzca un accidente automovilístico entre ellos (2 vehículos que sufrieron un accidente automovilístico, 1 accidente, 200 VMT de la población). La tasa de nivel de accidente automovilístico es de 0.5 accidentes por cada 100 millas (1 accidente por cada 200 millas), mientras que la tasa de nivel de vehículo es de 1 vehículo que sufrió un accidente automovilístico por cada 100 millas (2 vehículos que sufrieron un accidente por cada 200 millas). Este método es similar a obtener estándares de referencia de datos de accidentes automovilísticos en los informes policiales, en los que, en promedio, hay 1.8 vehículos involucrados en cada accidente, y de datos de VMT, en los que se estima las VMT entre todos los vehículos. Ahora, considera una segunda población de ADS que tiene 1 vehículo que también recorre 100 millas antes de verse involucrado en un accidente automovilístico con un vehículo que no se incluye en la población. Esta situación es similar a la forma en que se recopilan los datos para las flotas de ADS. Se registran las VMT totales de la flota de ADS, junto con los accidentes automovilísticos en los que está involucrado un vehículo de ADS. Para la flota de ADS, la tasa de vehículos que sufrieron un accidente automovilístico (a nivel de vehículo) es de 1 vehículo por cada 100 millas. Si un análisis compara de forma incorrecta la tasa de referencia de nivel de accidente automovilístico de 0.5 accidentes por cada 100 millas con la tasa de nivel de vehículo de ADS de 1 vehículo que sufrió un accidente por cada 100 millas, la conclusión sería que la flota de ADS sufre accidentes automovilísticos a una tasa 2 veces mayor que el estándar de referencia. La realidad es que, en este ejemplo, la tasa de accidentes del ADS de 1 vehículo accidentado por cada 100 millas no es diferente de la tasa de referencia de vehículos que sufren un accidente automovilístico, en la que un solo conductor de un vehículo estuvo involucrado en 1 accidente por cada 100 millas recorridas.

    

    Este error de comparar una tasa a nivel de accidente con una tasa a nivel de vehículo es fácil de cometer cuando se utilizan estadísticas agregadas, ya que las estadísticas resumidas que proporcionan las agencias de investigación suelen enumerar la cantidad de accidentes automovilísticos en lugar de la cantidad de vehículos involucrados en estos accidentes. Por ejemplo, Scanlon y otros (2024) informaron que, a nivel nacional, hubo 5,930,496 accidentes automovilísticos informados por la policía en 2022, en los que se vieron involucrados 10,528,849 vehículos. El total de VMT nacional para 2022 fue de 3.2 billones de millas. Es decir, la tasa de accidentes en EE.UU. es de 1.9 accidentes automovilísticos por millón de millas, mientras que la tasa de vehículos que sufrieron accidentes es de 3.3 vehículos por millón de millas. 

    Otra métrica habitual que se usa en la seguridad vial es la cantidad de personas lesionadas por VMT (es decir, una tasa a nivel de persona). Como medida a nivel de población de la carga de los accidentes automovilísticos, resulta útil una tasa a nivel de persona. Existen varios problemas prácticos y de interpretación que hacen que una tasa a nivel de persona no sea una métrica ideal cuando se compara una población con otra, como se hace en el centro de datos de impacto en la seguridad. La tasa a nivel de persona para una flota de ADS que funciona en tráfico mixto parecerá disminuir a medida que aumente el tamaño de la flota (o la penetración), incluso si la tasa de participación en accidentes automovilísticos sigue siendo la misma. Como los accidentes automovilísticos suelen involucrar a varios vehículos, cuanto mayor sea el tamaño de la flota, más probable será que varios vehículos del ADS estén involucrados en un accidente, lo que disminuiría la tasa a nivel de persona (la misma cantidad de personas involucradas en el accidente automovilístico, más VMT). Es decir que, en las primeras etapas de las pruebas, la tasa a nivel de persona de la flota del ADS parecería ser más alta que la de referencia, incluso si el ADS estuvo involucrado en una cantidad de accidentes automovilísticos similar a la de la población de referencia. Para abordar este sesgo, se podría calcular una tasa fraccionaria a nivel de persona definida como el total de personas involucradas en un accidente automovilístico con un resultado determinado dividido por la cantidad de vehículos en el accidente automovilístico. Aunque esta tasa fraccionaria a nivel de persona aborda el sesgo en varios vehículos, crea un sesgo diferente en la interpretación de los resultados. La tasa de accidente automovilístico a nivel de fracción de persona pondera más los accidentes automovilísticos en los que participan menos vehículos que los accidentes automovilísticos en los que participan varios. También existe una limitación práctica, ya que la orden general permanente de la NHTSA, la fuente más completa de accidentes del ADS, solo informa la gravedad máxima de las lesiones en el accidente y no la cantidad de ocupantes lesionados en los niveles de gravedad dados. Por lo tanto, hoy no es posible calcular una tasa a nivel de persona a partir de los datos de SGO. Esta limitación también se aplica a algunas bases de datos de accidentes automovilísticos estatales, en las que solo se informa la gravedad máxima. Debido a los posibles sesgos en la interpretación y las limitaciones de los informes, es preferible una tasa a nivel de vehículo a una tasa a nivel de persona cuando se comparan las tasas de accidentes automovilísticos de los ADS y las de referencia.

  • 1.6.  ¿Cuál es la diferencia entre los accidentes automovilísticos por milla y las millas entre accidentes automovilísticos?

    #

    Copy link

    

    

    Matemáticamente, los accidentes automovilísticos por milla y las millas entre accidentes automovilísticos son inversos entre sí (es decir, para pasar de accidentes automovilísticos por milla a millas entre accidentes automovilísticos, solo divide 1 por la tasa). Sin embargo, hay razones importantes por las que las tasas de accidentes automovilísticos deben presentarse en accidentes automovilísticos por milla, como se indica en las recomendaciones de la lista de verificación de RAVE. El motivo es que la métrica de accidentes automovilísticos por milla tiene una relación lineal con la cantidad de eventos, mientras que la inversa de millas entre accidentes automovilísticos tiene una relación no lineal. Esta relación no lineal dificulta la comparación de los cambios en las tasas. Se observaron dificultades similares en otras mediciones, como el ahorro de combustible de los vehículos (comparación entre millas por galón frente a galones por 100 millas).

    Como se indica en la lista de verificación de RAVE: “Considera un ADS que tiene una tasa de millas por incidente de 1 millón de millas por accidente automovilístico en comparación con un estándar de referencia de 750,000 millas por accidente automovilístico. Otro ADS tiene una tasa de 500,000 millas por accidente automovilístico en comparación con una referencia de 250,000 millas por accidente automovilístico. En ambos casos, la diferencia en millas recorridas por accidente automovilístico es de 250,000, lo que da la ilusión de que la diferencia en el rendimiento es similar. Por el contrario, la primera comparación muestra un ADS que reduce la cantidad de accidentes por milla en un 25% (1 IPMM frente a 1.33 IPMM), mientras que la segunda reduce la cantidad de accidentes por milla en un 50% (2 IPMM frente a 4 IPMM). Como las tasas de incidentes por unidades de exposición son linealmente proporcionales a la cantidad de eventos y las tasas de unidades de exposición por incidente no están relacionadas de forma lineal, no es evidente que las tasas relativas sean más difíciles de comparar”.

    

• 2. ¿Qué significan estos resultados?

  #

  Copy link

  • 2.1.  ¿Qué puedes concluir de los resultados del impacto en la seguridad?

    #

    Copy link

    

    

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

      #

      Copy link

      

      

      La investigación muestra que Waymo Driver es más seguro que la población general de conductores humanos en las mismas áreas geográficas en las que funciona, lo que se mide por la cantidad de accidentes de un resultado determinado por milla recorrida del vehículo. La investigación se centró en comparar el rendimiento de seguridad de Waymo Driver con la colección completa de vehículos conducidos por humanos en la misma área geográfica. La tasa de accidentes humanos puede considerarse la situación actual de la conducción en esa área. Esta comparación se usa en el análisis del impacto en la seguridad para determinar la eficacia de la introducción de la tecnología de Waymo en comparación con la situación actual. 

      La tasa general de accidentes de conductores humanos es común y posible gracias a las prácticas antiguas de informes de datos que están presentes casi universalmente en todo Estados Unidos y gran parte del mundo.  Existe un fuerte precedente histórico para examinar las tendencias interanuales y los desafíos sistémicos que enfrentan poblaciones enteras de conductores en un área geográfica. Si bien los datos de accidentes automovilísticos ofrecen información sobre varios subconjuntos operativos (p. ej., factores como el tipo de vehículo o la ebriedad del conductor), los datos de VMT correspondientes suelen carecer de ese nivel de detalle para un desglose minucioso. Por ejemplo, para poder comparar las tasas de accidentes por factores como la ebriedad del conductor, necesitarías conocer las VMT de los conductores ebrios o estimarlas. Se dedicó mucho menos esfuerzo a aislar subconjuntos específicos de conductores para un análisis integral del riesgo de accidentes.

    • 2.1.2.  ¿Los resultados del impacto en la seguridad significan que Waymo es “lo suficientemente seguro”?

      #

      Copy link

      

      

      Si bien una reducción estadísticamente importante representa un beneficio de seguridad (es decir, se producen menos accidentes automovilísticos), se hace una afirmación sobre la “seguridad suficiente” a través del marco de seguridad y el caso de seguridad de Waymo antes del lanzamiento de una configuración de ADS. El objetivo del impacto en la seguridad no es establecer qué es o no un nivel razonable de seguridad para un sistema de conducción automatizada. Waymo usa su marco de seguridad para determinar la preparación de seguridad según los lineamientos de aprobación para la versión candidata de lanzamiento de un software determinado. Además, se realiza un análisis independiente de la adecuación de dicho proceso a través del caso de seguridad. Un caso de seguridad es una manera formal de explicar cómo un desarrollador de ADS determina que su sistema es lo suficientemente seguro para implementarse en vías públicas sin un conductor humano. El caso de seguridad incluye evidencia para determinar formalmente la ausencia de riesgos injustificados. Implica una explicación del sistema, las metodologías y las métricas utilizadas para validarlo, y los resultados reales de las pruebas de validación. Por el contrario, la evidencia retrospectiva que proporciona el centro de datos de impacto en la seguridad cumple un papel de validación posterior a la implementación para el marco y el caso de seguridad. Este ciclo de generar confianza continuamente en los procesos del marco y del caso de seguridad también brinda confianza de que el proceso producirá resultados de impacto en la seguridad similares a medida que Waymo se expanda a nuevas áreas.

    • 2.1.3.  ¿Cómo difiere el rendimiento de Waymo en varias versiones de software y hardware?

      #

      Copy link

      

      

      La mayoría de las investigaciones sobre el impacto en la seguridad utilizan accidentes automovilísticos de todas las millas recorridas con vehículos autónomos (RO) que se acumularon hasta la fecha. Las millas recorridas por Waymo a lo largo del tiempo aumentaron considerablemente, de modo que los datos más recientes representan una proporción mayor de las millas recorridas por Waymo que las millas más antiguas. De manera similar a la pregunta frecuente “¿por qué las comparaciones de la conducción de vehículos autónomos de Waymo con las tasas de accidentes automovilísticos de referencia no se dividen en más categorías?”, dividir las millas de conducción en porciones más pequeñas reduce la potencia estadística del análisis, lo que es una limitación habitual que se observa en otros campos de seguridad crítica. 

      En la investigación sobre el impacto en la seguridad de sistemas anteriores, es frecuente agrupar varios lanzamientos de software o incluso datos de diferentes fabricantes. Por ejemplo, la investigación del Insurance Institute for Highway Safety y el consorcio PARTS a menudo analiza una tecnología como el frenado automático de emergencia o la prevención de salida de carril y agrupa a varios fabricantes para determinar el impacto general de una tecnología. De manera similar, la investigación sobre el impacto en la seguridad de Waymo muestra el impacto general de Waymo Driver. A medida que se acumulan más millas de conducción, existe la oportunidad de investigar el impacto de Waymo en la seguridad en períodos más pequeños.

      La investigación sobre el impacto de Waymo en la seguridad se esfuerza por responder a la pregunta de investigación “¿cuál es el impacto de Waymo en la seguridad en comparación con las tasas actuales de accidentes de vehículos conducidos por humanos?” (la situación actual). Una pregunta ligeramente diferente, pero igual de importante, es “¿cómo confía Waymo en que las nuevas versiones de software y hardware son seguras?”. Para responderla, Waymo desarrolló un marco de seguridad y un enfoque de caso de seguridad. En resumen, evalúan el rendimiento de Waymo en cada nueva configuración candidata con una colección de metodologías que abarcan la arquitectura del vehículo, el comportamiento de conducción y las capas operativas en comparación con los criterios de aceptación.

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

      #

      Copy link

      

      

      Waymo publicó una amplia variedad de estándares de referencia, incluida la participación en accidentes fatales, que se utilizarán en evaluaciones futuras. Actualmente, no hay suficientes VMT de Waymo para detectar importancia estadística en las áreas en las que conducimos, por lo que no separamos esa categoría de solo muertes en nuestros informes. Waymo 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 de sustancias o distracciones, y pasajeros sin cinturón de seguridad. La categoría “lesiones graves o peores” incluye tanto lesiones graves como muertes. Todas las demás categorías de resultados de accidentes automovilísticos también incluyen muertes. 

      El enfoque de Waymo ha sido (a) publicar de forma proactiva estándares de referencia, metodología y lentes analíticos previstos, (b) realizar evaluaciones sobre esos estándares de referencia establecidos cuando los análisis de potencia completados previamente indican que se puede detectar significancia y (c) publicar los hallazgos en nuestro centro de datos y en publicaciones científicas. 

      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, AZ, 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 la preparación de seguridad de Waymo, muestra que Waymo Driver tiene un gran potencial para reducir lesiones graves y fatales.

    • 2.1.5.  ¿Cuál es la diferencia entre una tasa de accidentes automovilísticos que producen “lesiones graves o peores” y una tasa de accidentes automovilísticos que causan “cualquier muerte”?

      #

      Copy link

      

      

      En la investigación sobre seguridad automotriz, se suelen estudiar las lesiones que alcanzan o superan un cierto nivel. En nuestro análisis, “lesiones graves o peores” incluye tanto las lesiones graves sospechosas (denotadas como lesiones de nivel “A” o incapacitantes en la escala KABCO utilizada en los informes policiales en EE.UU.) como las lesiones mortales (denotadas como lesiones de nivel “K” en la escala KABCO). Waymo publicó estándares de referencia que incluyen accidentes automovilísticos de nivel “K”, cualquier muerte, como su propia categoría. Este resultado no se informa actualmente como parte del centro de datos de impacto en la seguridad, pero tenemos la intención de agregarlo en un futuro.  

      Si solo analizamos las “lesiones graves” (solo las de nivel “A”), podríamos introducir un tipo de sesgo de exclusión. Por ejemplo, si un tratamiento solo generara resultados fatales y muy pocos resultados de lesiones graves sospechosas, podría llevar erróneamente a la conclusión de que el tratamiento es mucho más seguro de lo que es, porque las lesiones “fatales” no se estaban contando. Con la estipulación de “lesiones que alcanzan o superan cierto nivel”, evitamos esta posible falacia.

  • 2.2.  ¿Hay otros factores que no se consideraron en la investigación sobre el impacto en la seguridad que podrían afectar la interpretación de los resultados?

    #

    Copy link

    

    

    • 2.2.1.  ¿Waymo es realmente autónomo si los humanos deben brindar asistencia remota ocasionalmente?

      #

      Copy link

      

      

      La investigación sobre el impacto en la seguridad de Waymo estudia la diferencia en las tasas de accidentes entre los vehículos de Waymo y los conductores humanos que conducen en áreas comparables. La asistencia remota permite que el conductor de Waymo Driver se comunique con un agente humano para obtener información adicional que lo ayude a contextualizar su entorno en ciertas situaciones difíciles o poco comunes. La asistencia remota ha sido parte del diseño de Waymo Driver desde el principio y, de hecho, es una de las razones por las que Waymo ha podido escalar su funcionamiento de forma segura. El programa de asistencia remota de Waymo recibió una auditoría independiente de terceros que demuestra que cumple con las prácticas recomendadas de la industria en esta área y que, de hecho, es autónomo según las prácticas recomendadas del sector (1, 2).

    • 2.2.2.  ¿Pueden los vehículos autónomos manejar todas las situaciones difíciles que los humanos manejan a lo largo de su vida?

      #

      Copy link

      

      

      Waymo Driver actualmente conduce millones de millas por semana. Waymo Driver tiene la experiencia acumulada de cientos de vidas humanas de conducción, si se tienen en cuenta las millas recorridas en la ruta y en la simulación. A esta escala, ocurren con regularidad muchas de las situaciones difíciles, como peatones que aparecen repentinamente detrás de un automóvil estacionado o vehículos que cruzan un semáforo en rojo. Si Waymo Driver no pudiera manejar muchas de las situaciones difíciles que los humanos manejan a lo largo de su vida, las tasas de accidentes de Waymo no serían mucho más bajas que las de los conductores humanos.

      Waymo usa su marco de seguridad para determinar la preparación de seguridad de acuerdo con las pautas de aprobación para la versión candidata de un software determinado. Además, se realiza un análisis independiente de la adecuación de dicho proceso a través del caso de seguridad. Un caso de seguridad es una manera formal de explicar cómo un desarrollador de ADS determina que su sistema es lo suficientemente seguro para implementarse en vías públicas sin un conductor humano. El caso de seguridad incluye evidencia para determinar formalmente la ausencia de riesgos injustificados. Implica una explicación del sistema, las metodologías y las métricas utilizadas para validarlo, y los resultados reales de las pruebas de validación.

    • 2.2.3.  Si los vehículos de Waymo viajan entre cada servicio a los pasajeros (que también se conoce como viaje sin pasajeros), ¿la falta de una persona que pueda resultar herida en el vehículo (porque no hay conductor) no genera beneficios de seguridad?

      #

      Copy link

      

      

      Los resultados de la investigación sobre el impacto en la seguridad de Waymo muestran que, en comparación con la situación actual de los vehículos conducidos por humanos, Waymo tiene menos accidentes que causan lesiones por milla recorrida. Parte del beneficio es que a veces no hay nadie en el vehículo de Waymo (p. ej., mientras el vehículo viaja hacia o desde un depósito para cargarse, o entre cada servicio a los pasajeros). Es importante tener en cuenta que las métricas examinadas por la investigación de impacto en la seguridad de Waymo consideran una lesión a cualquier persona involucrada en la secuencia del accidente automovilístico, ya sea que la persona esté o no dentro de un vehículo de Waymo. Se incluye a los usuarios vulnerables de la vía pública, como peatones y ciclistas, o los ocupantes de otros vehículos involucrados en un accidente automovilístico. Por lo tanto, aunque a veces haya algún beneficio de que el vehículo de Waymo esté desocupado, es poco probable que este beneficio por sí solo explique la gran reducción de accidentes que causan lesiones de Waymo (el vehículo podría estar desocupado todo el tiempo y aun así tener accidentes que podrían lesionar a personas fuera del vehículo). Otros resultados, como las métricas de activación de airbags, no se ven afectados por la ocupación del vehículo de Waymo. Los airbags del vehículo de Waymo se activarán independientemente de la ocupación del vehículo. La magnitud de la reducción de los airbags en comparación con el estándar de referencia es similar a la reducción de las lesiones, lo que aumenta la confianza de que los beneficios observados no dependen en gran medida de la ocupación del vehículo de Waymo.

    • 2.2.4.  ¿En qué situaciones examinaste el rendimiento de Waymo Driver?

      #

      Copy link

      

      

      Alinear los accidentes y la conducción de Waymo y de los humanos es uno de los factores más importantes para hacer una comparación justa de las tasas de accidentes automovilísticos (consulta la pregunta 1.1 para obtener más detalles sobre la alineación). 

      Centramos nuestras primeras iniciativas en tres componentes que creemos que son informativos para evaluar la seguridad. 

      • Gravedad de la colisión: establecimiento de varios niveles que comprenden desde accidentes informados por la policía hasta accidentes fatales.  

      • Tipo de accidente automovilístico (se muestra más abajo): la tipología que seleccionamos se basó en investigaciones previas de la NHTSA que destacaban las situaciones de conducción más desafiantes. 

      • Tipo de camino: desglosamos las tasas de accidentes por calles y autopistas. Actualmente, solo tenemos millas limitadas en autopistas, por lo que nos enfocamos solo en calles urbanas. Sin embargo, planeamos diferenciar entre los dos agrupamientos de tipos de caminos en nuestras publicaciones futuras cuando la VMT permita una comparación estadística. 

      

      Estamos trabajando activamente para ampliar las perspectivas analíticas que aplicamos a la hora de evaluar Waymo Driver. Sin embargo, en general, estamos limitados por los datos de accidentes humanos disponibles. Waymo depende activamente de los datos de accidentes y millaje disponibles públicamente. Estos datos incluyen información limitada sobre los detalles de cada accidente automovilístico individual que involucra conductores humanos. Por el contrario, los datos de Waymo contienen mucha información debido a nuestra supervisión constante de VMT y nuestra capacidad de capturar cada accidente automovilístico con nuestra amplia variedad de sensores. Para ampliar nuestro análisis, investigamos continuamente el uso de nuevas fuentes de datos con información más detallada y buscamos en la comunidad general análisis y datos que puedan ayudar a respaldar la investigación.

    • 2.2.5.  ¿El análisis del impacto en la seguridad tiene en cuenta los peligros que representan los vehículos automatizados que se detienen en la carretera de forma inesperada?

      #

      Copy link

      

      

      Todos los accidentes automovilísticos en los que participaron los vehículos de Waymo que funcionaban en la configuración de vehículos autónomos (RO) se incluyen en el análisis de impacto en la seguridad. Por lo tanto, el riesgo de colisión del vehículo de Waymo que se detiene en una carretera y otro vehículo que posteriormente colisiona con el vehículo de Waymo detenido se incluye en el impacto en la seguridad. Estos tipos de accidentes automovilísticos con vehículos detenidos también se incluyen en los estándares de referencia de conductores humanos.

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

      #

      Copy link

      

      

      Este análisis incluyó 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 con conductores humanos.

      Cita:

      • Di Lillo, L., Gode, T., Zhou, X., Atzei, M., Chen, R., & 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

      En un estudio posterior que usó datos de reclamaciones de seguros y que actualmente está en proceso de revisión por pares, se halló que el servicio de RO de Waymo tuvo reducciones igualmente grandes en comparación con los humanos en más de 25 millones de millas recorridas. Además de un estándar de referencia general de conductores humanos, este nuevo estudio también presenta un estándar de referencia de vehículos de “año de modelo nuevo”. Los vehículos más nuevos (definidos como modelos de los años 2018 a 2021) tuvieron tasas de reclamaciones por daños a la propiedad y lesiones físicas más bajas en comparación con la población general. Waymo tuvo una reducción del 88% en las reclamaciones por daños a la propiedad y del 92% en las reclamaciones por lesiones corporales en comparación con la población general, y una reducción del 86% en las reclamaciones por daños a la propiedad y del 90% en las reclamaciones por lesiones corporales. Todas estas diferencias fueron estadísticamente importantes.

      Cita:

      • Di Lillo, L., Gode, T., Zhou, X., Chen, R., & Victor, T. (2024). Do Autonomous Vehicles Outperform Latest-Generation Human-Driven Vehicles? A Comparison to Waymo’s Auto Liability Insurance Claims at 25 Million Miles (¿Los vehículos autónomos superan a los vehículos de última generación conducidos por humanos? Una comparación con las reclamaciones del seguro de responsabilidad civil automotriz tras 25 millones de millas).

    • 2.2.7.  ¿Cuál es el efecto de un posible aumento en VMT debido a los vehículos autónomos en la seguridad neta general?

      #

      Copy link

      

      

      Hoy en día, el servicio de Waymo es comparable con los servicios de transporte privado a pedido que conducen humanos. Los datos muestran que Waymo evita lesiones graves o peores, la activación de airbags y cualquier lesión informada en más del 80%. Para que la introducción de Waymo genere un aumento neto en los accidentes automovilísticos, Waymo tendría que aumentar las VMT generales en más del 80%, lo que no parece una suposición realista. Hay muchos estudios que demuestran que las VMT generales y los vehículos en la ruta pueden reducirse en gran medida con la introducción de vehículos autónomos compartidos (por ejemplo, 1, 2, 3, 4, 5).

  • 2.3.  ¿Cómo se adapta Waymo al entorno más amplio de la seguridad vial?

    #

    Copy link

    

    

    • 2.3.1.  ¿Por qué no esperar a que la tecnología sea perfecta para expandir las implementaciones de vehículos automatizados?

      #

      Copy link

      

      

      La seguridad vial es un problema de salud pública, y en la agenda de 2030 para el desarrollo sostenible, se estableció el ambicioso objetivo de reducir las muertes y lesiones por accidentes de tránsito en todo el mundo en un 50% antes de 2030. En un estudio de RAND Corporation, se modelaron implementaciones de sistemas de conducción automatizada (ADS) en virtud de varias hipótesis, incluido un sistema que tenía una tasa de accidentes solo marginalmente inferior a la de los humanos actuales o una situación en la que se esperaba años para implementar un sistema con una tasa de accidentes automovilísticos mucho más baja que la de los humanos. Se concluyó que se podría evitar más daño si se implementa antes. 

      Waymo tiene un marco de seguridad y un enfoque de caso de seguridad que tiene como objetivo principal implementar un sistema de vehículos autónomos (RO) que no tenga riesgos injustificados (AUR). Este objetivo de caso de seguridad se logra desglosando los posibles peligros del sistema en varias dimensiones, estableciendo criterios de aceptación y evaluando las afirmaciones y la evidencia antes de la implementación. Este proceso se diseñó para garantizar que Waymo Driver sea aceptablemente seguro antes de su implementación.

    • 2.3.2.  Los vehículos automatizados pueden ser más seguros que los conductores humanos, pero ¿no deberíamos centrar nuestra atención en otras soluciones existentes?

      #

      Copy link

      

      

      No necesitamos elegir una tecnología o iniciativa política para combatir la crisis de seguridad vial. Los vehículos automatizados, como Waymo Driver, son una de las muchas herramientas disponibles para mejorar la seguridad vial. Waymo se compromete con el enfoque de sistema seguro y Visión Cero, a través de múltiples mejoras para mayor seguridad de las carreteras, las velocidades, los vehículos, los usuarios de la vía pública y la atención después de los accidentes. Muchas mejoras en la seguridad (como inversiones en carreteras más seguras, establecimiento de límites de velocidad seguros, aplicación de las leyes de tránsito actuales, mejora del cumplimiento del uso del cinturón de seguridad, reducción de la conducción bajo los efectos de sustancias, por nombrar algunas) también permitirán que viajar en un Waymo sea más seguro. Waymo, como gran parte del sector, es una empresa de financiación privada. Como sociedad, podemos apoyar la expansión de los vehículos automatizados sin dejar de lado otras mejoras de seguridad.

      Los vehículos automatizados ofrecen una oportunidad única en comparación con otras tecnologías de seguridad debido al impacto relativamente grande en la seguridad en comparación con la conducción humana. Por ejemplo, el frenado automático de emergencia reduce en aproximadamente un 50% los choques por alcance (que representan solo un cuarto de todos los accidentes automovilísticos). En comparación, Waymo Driver reduce los accidentes automovilísticos que provocan lesiones en aproximadamente un 80% en todos los modos de accidente automovilístico, incluidos los que se producen en intersecciones y que involucran usuarios vulnerables de la vía pública (VRU), en los que las tecnologías de seguridad activa actuales aún no reducen significativamente los accidentes automovilísticos.

    • 2.3.3.  ¿Cómo encajan los vehículos automatizados en el enfoque de sistema seguro?

      #

      Copy link

      

      

      El enfoque de sistema seguro, basado en el movimiento global Visión Cero, es un método sistemático que tiene como objetivo eliminar las lesiones graves y fatales en el sistema de transporte vial. Los vehículos automatizados de Waymo proporcionan una herramienta valiosa en el kit de herramientas del sistema seguro porque están diseñados para seguir los principios de Visión Cero. Waymo requiere que todos los ocupantes usen el cinturón de seguridad. Waymo está diseñado para respetar los límites de velocidad y usa vehículos con las últimas funciones de seguridad pasiva.

  • 2.4.  ¿Qué podemos decir de los datos compartidos en sí?

    #

    Copy link

    

    

    • 2.4.1.  ¿Con qué frecuencia se actualizan los datos?

      #

      Copy link

      

      

      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 orden general permanente (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 de vehículos autónomos (RO) 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.

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

      #

      Copy link

      

      

      Esta información es importante para analizar y comprender las colisiones, y no está disponible en las denuncias SGO de la NHTSA. Los datos posteriores a junio de 2025 no tienen código postal, ya que este campo se quitó del formulario de denuncias SGO de la NHTSA (consulta la enmienda 3 de SGO). El campo de código postal se volvió a agregar al formulario de denuncias SGO en septiembre de 2025. Los eventos de SGO informados después de septiembre vuelven a incluir el código postal en el archivo de descarga de datos.