Waymo Safety Impact
Making roads safer
The trust and safety of the communities where we operate is paramount to us. That’s why we’re voluntarily sharing our safety data.
The data to date indicate the Waymo Driver is already making roads safer in the places where we currently operate. Specifically, the data below demonstrate that the Waymo Driver is better than humans at avoiding crashes that result in injuries — both of any severity and specifically serious ones — as well as those that lead to airbag deployments.
This hub compares the Waymo Driver’s Rider-Only (RO) crash rates to human crash benchmarks for surface streets. It leverages best practices in safety impact analysis and builds upon dozens of Waymo’s safety publications, providing an unprecedented level of transparency within the autonomous driving industry. By sharing our data and methodologies, we also invite you to join us as we push for advancements in measuring safety impact.
The data displayed on this webpage undergo consistent updates aligned with NHTSA’s Standing General Order (SGO) reporting timelines.
How the Waymo Driver compares to humans
Rider-only (RO) miles driven
Hanggang Disyembre 2025, nakapagmaneho na ang Waymo ng 170.7M milya para lamang sa mga rider nang walang taong nagmamaneho.
The Waymo Driver has tens of millions miles of real-world driving experience. This dashboard shows rider-only miles – miles that Waymo has driven without a human driver — in cities where we operate our ride-hailing service, Waymo.
Mga Lokasyon | RO Miles hanggang Disyembre 2025 |
|---|---|
Los Angeles | 37.857M |
San Francisco Bay Area | 53.52M |
Phoenix | 68.613M |
Austin | 10.722M |
Waymo Driver compared to human benchmarks
This table shows how many fewer RO crashes Waymo had (regardless of who was at fault) compared to human drivers with the average benchmark crash rate if they were to drive the same distance in the areas we operate. Results have been rounded to the nearest whole number.
Kung ikukumpara sa karaniwang taong driver sa parehong distansya sa mga lungsod kung saan kami nagpapatakbo, ang Waymo Driver ay nagdulot ng
Pangkalahatang pagbabawas sa banggaan
92% Mas kaunting malubhang pinsala o mas matitinding pagbangga (35 mas kaunti)
83% Mas kaunting pagbanggang naglabas ng airbag (230 mas kaunti)
82% Mas kaunting pagbanggang nagdulot ng pinsala (544 mas kaunti)
Mga pagbabawas sa banggaan na may mga kinakasangkutang pinsala sa Mga Vulnerable na Gumagamit ng Kalsada
92% Mas kaunting pagbangga sa naglalakad na may mga pinsala (62 mas kaunti)
85% Mas kaunting pagbangga sa mga siklista na may mga pinsala (39 mas kaunti)
81% Mas kaunting pagbangga ng motorsiklo na may mga pinsala (25 mas kaunti)
Waymo Driver compared to human benchmarks
Airbag deployments, any injury
The graphs below show how many fewer incidents (crashes) per million miles (IPMM) Waymo had compared to human drivers with the benchmark crash rate. The error bars represent 95% confidence intervals for the IPMM estimate.
The reductions are shown for all locations combined and separately for individual cities.
The comparisons in Atlanta are not shown here due to Waymo’s limited mileage, which means the results are not yet statistically significant.
Serious Injury or Worse Crash Rates
| Location | Incidents per Million Miles (IPMM), Waymo | Incidents per Million Miles (IPMM), Benchmark |
|---|---|---|
| All Locations | 0.02 | 0.22 |
| Phoenix | 0.01 | 0.10 |
| San Francisco | 0.04 | 0.43 |
| Los Angeles | 0.00 | 0.15 |
| Austin | 0.00 | 0.18 |
Any-Injury-Reported Crash Rates
| Location | Incidents per Million Miles (IPMM), Waymo | Incidents per Million Miles (IPMM), Benchmark |
|---|---|---|
| All Locations | 0.71 | 3.90 |
| Phoenix | 0.58 | 1.98 |
| San Francisco | 0.77 | 7.47 |
| Los Angeles | 0.90 | 2.50 |
| Austin | 0.65 | 3.34 |
Airbag Deployment in Any Vehicle Crash Rates
| Location | Incidents per Million Miles (IPMM), Waymo | Incidents per Million Miles (IPMM), Benchmark |
|---|---|---|
| All Locations | 0.28 | 1.63 |
| Phoenix | 0.28 | 1.35 |
| San Francisco | 0.32 | 2.11 |
| Los Angeles | 0.21 | 1.23 |
| Austin | 0.37 | 2.37 |
Paglabas ng Airbag sa Rate ng Banggaan ng Waymo Vehicle
| Location | Incidents per Million Miles (IPMM), Waymo | Incidents per Million Miles (IPMM), Benchmark |
|---|---|---|
| All Locations | 0.05 | 1.12 |
| Phoenix | 0.06 | 0.94 |
| San Francisco | 0.06 | 1.29 |
| Los Angeles | 0.00 | 1.00 |
| Austin | 0.09 | 2.00 |
Waymo Driver compared to human benchmarks
Percent difference in crash rate
The graphs below show the percent difference between the Waymo and human benchmark crash rates by location, with 95% confidence intervals. A negative number means the Waymo Driver reduced crashes compared to the human driver. Confidence intervals that do not cross 0% mean the percent difference is statistically significant.
The percent reductions and confidence intervals show that the Waymo Driver has a large, statistically significant, reduction in crash rates compared to the human benchmark across many outcomes and locations.
The comparisons in Atlanta are not shown here due to Waymo’s limited mileage, which means the results are not yet statistically significant.
Waymo crash rate percent difference to benchmark
| Location | Percent Difference to Benchmark, Airbag Deployment in Any Vehicle | Percent Difference to Benchmark, Airbag Deployment in Waymo Vehicle | Percent Difference to Benchmark, Any Injury Reported | Percent Difference to Benchmark, Serious Injury or Worse |
|---|---|---|---|---|
| All Locations | -82.72% | -95.69% | -81.69% | -92.11% |
| Phoenix | -79.51% | -93.82% | -70.61% | -86.11% |
| San Francisco | -84.97% | -95.14% | -89.74% | -91.36% |
| Los Angeles | -82.80% | -100.00% | -64.03% | -100.00% |
| Austin | -84.26% | -95.33% | -80.45% | -100.00% |
Percent of Waymo Driver collisions with <1mph change in velocity
(Delta-V <1mph)
Delta-V measures the change in velocity during a collision. It is another way to investigate crash severity and is one of the most important predictors of injury risk in vehicle-to-vehicle crashes.
This graph shows the percentage of SGO-reported crashes where the maximum Delta-V (from either the Waymo vehicle or other vehicle) was less than 1 mph—meaning the collision resulted in a <1mph change in velocity. A Delta-V less than 1 mph usually results in only minor damage (dents and scratches). This graph includes vehicle-to-vehicle and single vehicle crashes, but not crashes with pedestrians, cyclists, and motorcyclists.
Delta-V is estimated using an impulse-momentum crash model with inputs measured by the Waymo vehicle’s sensor system. Note: Comparable human benchmarks for <1mph Delta-V are currently not possible to estimate with high certainty.
% of SGO Collisions with less than 1mph change in velocity (Delta-V <1mph)
| Location | % Crashes <1 mph Delta-v |
|---|---|
| ALL AREAS | 43% |
| SF | 45% |
| PHX | 40% |
| LA | 42% |
| ATX | 43% |
Waymo Driver kumpara sa mga benchmark ng tao ayon sa uri ng banggaan
Ipinapakita ng mga graph na ito kung gaano kalaki ang ibinaba ng mga RO (rider lang o rider-only) na banggaang naranasan ng Waymo (sinuman ang may kasalanan) kumpara sa mga taong driver na may karaniwang benchmark na rate ng banggaan kung magmamaneho sila sa parehong distansya sa mga lugar kung saan kami nagpapatakbo. Inuri ang mga banggaan sa isa sa 11 uri ng banggaan, at kumakatawan ang mga ito sa lahat ng lokasyon. Available ang data ayon sa mga indibidwal na lungsod sa seksyon ng pag-download.
May statistical significance ang mga bar na nagpapakita ng porsyento ng pagkakaiba sa numero.
Paglabas ng Airbag sa Anumang Banggaan ng Sasakyan
| Crash Type Group | Events (Benchmark) | Events (Waymo) |
|---|---|---|
| V2V LATERAL | 15 | 1 (-93%) |
| V2V INTERSECTION | 155 | 8 (-95%) |
| V2V HEAD-ON | 7 | 6 |
| V2V F2R | 35 | 21 (-41%) |
| SINGLE VEHICLE | 33 | 0 (-100%) |
| SECONDARY CRASH | 19 | 11 |
| ALL OTHERS | 6 | 1 (-85%) |
Mga Banggaang May Naiulat na Anumang Pinsala
| Crash Type Group | Events (Benchmark) | Events (Waymo) |
|---|---|---|
| V2V LATERAL | 44 | 10 (-78%) |
| V2V INTERSECTION | 262 | 10 (-96%) |
| V2V F2R | 102 | 57 (-44%) |
| SINGLE VEHICLE | 46 | 2 (-96%) |
| SECONDARY CRASH | 35 | 11 (-69%) |
| PEDESTRIAN | 66 | 5 (-92%) |
| MOTORCYCLE | 31 | 6 (-81%) |
| CYCLIST | 46 | 7 (-85%) |
| ALL OTHERS | 13 | 3 (-78%) |
Waymo Safety Research Partners
David Zuby, Chief Research Officer, Insurance Institute for Highway Safety (IIHS)By making detailed information about crashes and miles driven publicly accessible, Waymo’s transparency will not only support independent research but foster public trust. We hope other companies developing and deploying automated driving systems follow suit.
Methodology
Methodology
Comparing autonomous vehicle and human performance
Despite the public availability of crash data for both human-driven and autonomous vehicles, drawing meaningful comparisons between the two is challenging. To ensure a fair comparison, there’s a number of factors that should be taken into consideration. Here are some of the most important:
- AV and human data have different definitions of a crash. AV operators like Waymo must report any physical contact that results or allegedly results in any property damage, injury, or fatality, while most human crash data require at least enough damage for the police to file a collision report.
- Not all human crashes are reported. NHTSA estimates that 60% of property damage crashes and 32% of injury crashes aren’t reported to police (Blincoe et al. 2023). In contrast, AV companies report even the most minor crashes in order to demonstrate the trustworthiness of autonomous driving on public roads.
- Focus should be put on injury-causing crashes. Low speed crashes that result in minor damage can cause property damage that can be quickly repaired. These low speed crashes are also the most frequent types of crashes. In traffic safety, the most emphasis is put on reducing the highest severity crashes that can result in injuries.
- It’s important to look at rates of events (incidents per mile) instead of absolute counts. Waymo is growing its operations in the cities we operate in. With more driving miles come more absolute collisions. It’s critical to consider the total miles driven to accurately calculate incident rates. If you do not consider the miles driven, it may appear like incidents are increasing while in reality the rate of incidents could be going down.
- All streets within a city are not equally challenging. Waymo’s operations have expanded over time, and, because Waymo operates as a ride-hailing service, the driving mix largely reflects user demand. The results on this data hub show human benchmarks reported in Scanlon et al. (2024) and extended upon in Kusano et al. (2025) that are adjusted to account for differences in driving mix using a method described by Chen et al. (2024). See the “Human Benchmarks” section below for more details.
Waymo has used industry best-practices to make a fair comparison between AV and human data sources that is presented on this webpage. This analysis is described more below, and in even more depth in several of Waymo’s safety publications.
How we select Waymo incidents noted in this hub
Waymo’s data is derived from crashes reported under NHTSA’s Standing General Order (SGO) and uses the same criteria as described in Kusano et al. (2024) and Kusano et al. (2025).
We are intentionally using publicly available data to allow other researchers to replicate the results. To link the data shown on this dashboard to NHTSA’s published SGO data, researchers can download a list of SGO report IDs and boolean membership in each outcome group in the download section below. Comparisons of crash rates for the outcomes listed below and additional outcomes described in the release notes are also available for download.
We compare Waymo’s crash rate to human benchmarks across several different types of crashes:
Outcome Description Waymo Data* Human Benchmark Any-injury-reported A crash where any road user is injured as a result of the crash Any SGO reported crash with the field “Highest Injury Severity Alleged” is “Minor”, “Moderate”, or “Serious”, or “Fatality”). “Unknown” reported severity where the SGO narrative mentions injuries of unknown severity are also included. Police-reported crashed vehicle rate where at least one road user had a reported injury. A 32% underreporting adjustment was applied according to Blincoe et al (2023). Airbag deployment in Any Vehicle A crash where an airbag deploys in any vehicle involved in the crash Any SGO reported crash where the “Any Air Bags Deployed?” is “Yes” for either the subject vehicle (SV) or counter party (CP). Additionally, crashes are included in this category when a review of relevant data (e.g., video) finds an airbag deployed in a third party. Police-reported crashed vehicle rate where any vehicle involved in the crash had an airbag deployment. No underreporting adjustment was applied. Airbag deployment in Waymo Vehicle A crash where an airbag deploys in the Waymo vehicle involved in the crash Any SGO reported crash where the “Any Air Bags Deployed?” is “Yes” for the subject vehicle (SV). Police-reported crashed vehicle rate where airbag deployment occurred in the vehicle. No underreporting adjustment was applied. Serious injury or worse A crash where any road user is seriously injured or killed as a result of the crash Police reports were requested through public information requests for any SGO crash with “Highest Injury Severity Alleged” as “Serious” or “Fatality” for the field “Highest Injury Severity Alleged.” The SGO crash was included if the police report indicated any person in the crash had an “incapacitating” (“A”) or “killed” (“K”) injury severity. Police-reported crashed vehicle rate where any person in the crash had a police-reported injury of “incapacitating” (“A”) or “killed” (“K”). No underreporting adjustment was applied. *Based on initial data submitted as part of the NHTSA Standing General Order 2021-01
Human benchmarks
The human benchmark data are the same as reported in Scanlon et al. (2024), and extended upon in Kusano et al. (2025). These benchmarks are derived from state police reported crash records and Vehicle Miles Traveled (VMT) data in the areas Waymo currently operates RO services at large scale (Phoenix, San Francisco, Los Angeles, and Austin). The human benchmarks were made in a way that only included the crashes and VMT corresponding to passenger vehicles traveling on the types of roadways Waymo operates on (excluding freeways). The any-injury-reported benchmark also used a 32% underreporting correction (based on NHTSA’s Blincoe et al., 2023 study to adjust for crashes not reported by humans. The serious injury or worse (referred to as “suspected serious injury+” in the papers) and airbag deployment human benchmarks rates used the observed crashes without an underreporting correction.
All streets within a city are not equally challenging. If Waymo drives more frequently in more challenging parts of the city that have higher crash rates, it may affect crash rates compared to quieter areas. The benchmarks reported by Scanlon et al. are at a city level, not for specific streets or areas. The human benchmarks shown on this data hub were adjusted using a method described by Chen et al. (2024) that models the effect of spatial distribution on crash risk. The methodology adjusts the city-level benchmarks to account for the unique driving distribution of the Waymo driving. The result of the reweighting method is human benchmarks that are more representative of the areas of the city Waymo drives in the most, which improves data alignment between the Waymo and human crash data. Achieving the best possible data alignment, given the limitations of the available data, are part of the newly published Retrospective Automated Vehicle Evaluation (RAVE) best practices (Scanlon et al., 2024b). This spatial dynamic benchmark approach described by Chen et al. (2024) was also used in Kusano et al. (2025).
Confidence intervals and data limitations
Confidence intervals for Incidents Per Million Miles (IPMM) crash rates were computed using a Poisson Exact method. The confidence intervals for the percent reduction used a Clopper-Pearson binomial described in Nelson (1970). Both confidence intervals were assessed at a 95% confidence level. These confidence intervals use the same methods as described in Kusano et al. (2023).
There is no perfect “apples-to-apples” comparison between human and AV data available today. The benchmarks and comparisons done on this page represent the current state-of-the-art human and AV data sources, based on the state of the art in the research in this field. The serious injury or worse and airbag deployment benchmarks do not have an underreporting correction for the human data because there is no estimate for airbag crash underreporting. Although, it is likely there is more underreporting in human crash data compared to AV crash data. The any-injury-reported benchmark does use an underreporting correction from Blincoe et al. (2023) based on multiple analyses of national crash police-report and insurance data and a national phone survey. It is not straightforward to compute confidence intervals on the any-injury-reported underreporting estimate because it is derived from multiple sources. There is also evidence that underreporting may differ between localities, meaning a national estimate may not fully represent underreporting in the cities Waymo operates in.
See Scanlon et al. (2024) and Kusano et al. (2024) for a more comprehensive discussion of the limitations of these results:
- 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. 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. Traffic Injury Prevention, 25(sup1), S66-S77.
Mga Madalas Itanong
1. Mapagkakatiwalaan ba ang mga resulta?
1.1. Ang mga resulta ng epekto ng kaligtasan ay patas na "mansanas sa mansanas" bang paghahambing ng Waymo at pagmamaneho ng tao?
1.1.1. Paano idinisenyo at isinasagawa ang pananaliksik sa epekto sa kaligtasan?
Bagama't nauuwi ang paghahambing ng mga rate ng banggaan sa 4 na simpleng bilang – mga banggaan at milya para sa Automated Driving System (ADS) at isang benchmark – maraming desisyon tungkol sa disenyo ng pag-aaral at mga ginamit na source ng data na puwedeng makaapekto sa resulta. Matagal nang ginagamit na tool sa research literature sa kaligtasan ng sasakyan ang pananaliksik sa epekto sa kaligtasan, na nagsimula pa sa mga pagsulong sa kaligtasan tulad ng electronic stability control at automated emergency braking. Ang mga ADS na responsable para sa buong dynamic na gawain sa pagmamaneho ay nagpapakita ng ilang natatanging hamon, at bilang resulta, na-publish ang Checklist ng RAVE bilang napagkasunduang pinakamahuhusay na kagawian sa pananaliksik para sa pananaliksik sa epekto sa kaligtasan ng ADS. Inilalatag ng checklist, na kasalukuyang ginagawang pandaigdigang pamantayan, ang pinakamahuhusay na kagawian para sa pagsasagawa ng mga pag-aaral sa epekto sa kaligtasan ng ADS na gaya ng ipinapakita sa Safety Impact Data Hub. Idinisenyo ang pananaliksik na sumusuporta sa data hub ng epekto sa kaligtasan para sumunod sa Checklist ng RAVE (tingnan ang online na appendix ng Kusano et al., 2025, para sa pagsusuri sa pagsunod ng mga pamamaraan sa mga requirement sa checklist ng RAVE).
1.1.2. Naiuulat ba ang lahat ng banggaan ng Waymo?
Nakabatay ang pananaliksik sa epekto sa kaligtasan ng Waymo sa pag-uulat na hinihingi ng Standing General Order (SGO) ng National Highway Traffic Safety Administration (NHTSA). Ang lahat ng operator ng Automated Driving System (ADS) (isang teknikal na terminong tumutukoy sa mga operator ng naka-automate na sasakyan tulad ng Waymo), kabilang ang Waymo, ay dapat sumunod sa SGO at iulat ang lahat ng banggaang nakakatugon sa mga requirement sa loob ng mga itinakdang palugit ng pag-uulat. May awtoridad ang NHTSA na magsiyasat at magsagawa ng aksyon para sa pagwawasto kung naniniwala silang may mga hindi pagkakatugma sa pag-uulat sa mga ulat ng SGO ng operator ng ADS. Kasama sa mga requirement sa pag-uulat ng SGO ang mga banggaang may kaunting pinsala, na mas mababang threshold sa pag-uulat (mas maraming kasamang banggaang may kaunting pinsala) kaysa sa mga tradisyonal na database ng banggaang iniulat sa pulis at sa insurance. Dapat iulat bilang bahagi ng SGO ang lahat ng banggaan kung saan sinasabing nagkaroon ng anumang pinsala o lumabas ang anumang airbag, na mga resulta kung saan nakatuon ang data hub ng epekto sa kaligtasan. Samakatuwid, dahil sa mahihigpit na requirement sa pag-uulat at patakaran sa pagpapatakbo ng fleet ng Waymo, napakababa ng posibilidad na may anumang nangyaring banggaan sa mga resultang iniulat sa data hub na nangyari at hindi isinama. Bilang reference, ang mga ulat ng NHTSA (Blincoe, et al., 2023) na nag-a-underreport sa mga banggaan ng sasakyang minamaneho ng tao ay 69.7% ng mga banggaang may pinsala sa property at 31.9% ng mga banggaang may pinsala. Ang pag-uulat ng Waymo ay para sa lahat ng alam na banggaang na-detect ng isang napakahusay na sensor suite, isang mas kumpletong pag-uulat.
Dahil gumagamit ang Waymo ng data na iniulat ng pulis para makakuha ng mga benchmark, mga banggaan lang kung saan dinala at na-contact ang Waymo vehicle habang nangyayari ang banggaan ang isasama sa paghahambing sa benchmark. Sa data na iniulat ng pulis, hindi isinasama sa data ng banggaan ang mga sasakyang hindi na-contact sa loob ng sequence ng banggaan. Samakatuwid, ang paghahambing ng mga banggaan ng Waymo na iniulat sa SGO kung saan walang contact sa Waymo vehicle (pero posibleng iniulat bilang bahagi ng SGO dahil sa sinasabing kontribusyon sa banggaan) ay magiging labis na pagbilang sa rate ng banggaan ng Waymo kaugnay ng rate ng banggaan. Gayundin, kung minsan, nakaparada ang Waymo vehicle sa isang valid na parking space para maghintay na makapaghatid ng mga customer sa hinaharap. Aktibo ang software ng ADS, pero naka-park ang sasakyan at nasa valid na parking space (sa nakamarkang espasyo o sa loob ng 18 pulgada ng gilid ng bangketa para sa pagparada sa kalye). Sa data ng ulat ng pulis, hindi rin kasama sa bilang ng sasakyan ang mga nakaparadang sasakyang tulad ng mga ito (itinuturing na mga nakapirming bagay ang mga nakaparadang sasakyan).
1.1.3. Pareho bang mga resulta ang sinusukat ng data ng Waymo at ng tao?
Ang pag-align sa data ng banggaan ng Automated Driving System (ADS) at tao ay isa sa pinakamahahalagang dimensyon ng paggawa ng patas na "mansanas sa mansanas" na paghahambing, at mahalagang hakbang sa pag-align ng data ang pagbuo ng pare-parehong kahulugan para sa “banggaan.” Ginagamit ng pananaliksik sa Epekto sa Kaligtasan ng Waymo ang nakaraang pananaliksik sa pagsusuri sa kaligtasan bilang panimula para pumili ng mga resulta ng banggaan na pinakamahusay na matutukoy sa mga data source ng ADS at tao. Ang pinakakaraniwan at pinakamaaasahang data source ng banggaang kinasasangkutan ng tao ay mga database ng ulat ng pulis. Hindi lahat ng banggaang kinasasangkutan ng tao ay iniuulat sa pulis, lalo na ang mga hindi gaanong malala. Ang mas malulubhang banggaan na nagreresulta sa paglutang o pinsala sa air bag (malubhang pinsala man o mas malala, o anumang antas ng pinsala) ay mas mahalaga sa pagtatasa ng kaligtasan kaysa sa mga nagreresulta sa maliliit na pinsala sa ari-arian.
Kahit na naniniwala kami na ang malubhang pinsala o mas malala pa, ang paglawak ng airbag, at ang anumang naiulat na pinsala ay mas mahalaga sa pagtatasa ng kaligtasan kaysa sa mga nagreresulta sa maliit na pinsala sa ari-arian, sinusubaybayan at iniuulat pa rin namin ang mga maliliit na rate ng banggaan na ito kumpara sa mga benchmark na makukuha sa seksyon ng mga pag-download ng website ng data hub (halimbawa, anumang pinsala o pinsala sa ari-arian at iniulat ng pulisya).
1.1.4. Isinasaalang-alang ba ng paghahambing ang iba't ibang kundisyon sa pagmamaneho tulad ng lagay ng panahon?
Gumagamit ang pananaliksik sa epekto sa kaligtasan ng Waymo ng ilang diskarte para iayon ang mga kundisyon sa pagmamaneho sa pagitan ng benchmark na tao at pagmamaneho ng Waymo: (a) paggamit ng data ng tao mula sa mga county kung saan nagpapatakbo ang Waymo at (b) pag-adjust ng benchmark na nakabatay sa lokasyon at dynamic. Magkakaiba ang pagmamaneho sa iba't ibang lungsod, at hindi pantay-pantay ang pagiging mapanganib ng lahat ng kalsada o kundisyon sa pagmamaneho. Para makuha ang lokal na panganib sa banggaan, gumagamit ang pananaliksik sa epekto sa kaligtasan ng Waymo ng mga data source ng banggaan at mga milyang nabiyahe ng sasakyan (vehicle miles traveled o VMT) na pinapanatili ng estado na pinaghihigpitan sa mga county kung saan kasalukuyang nagpapatakbo ang Waymo. Kahit sa loob ng isang county, nag-iiba ang mga rate ng banggaan ng tao batay sa kung saang bahagi ng county ka nagmamaneho. Sa pangkalahatan, mas mataas ang mga rate ng banggaan sa mga bahagi ng mga lungsod na maraming tao kaysa sa mga bahaging may mas kaunting populasyon. Para makuha ang epektong ito, gumagamit ang mga resulta ng epekto sa kaligtasan ng Waymo ng dynamic na adjustment sa benchmark na nagtitimbang sa benchmark ng tao nang proporsyonal sa mga milyang ibinabiyahe ng serbisyo ng Waymo sa bawat lugar (tingnan ang Kusano et al., 2025 at Chen et al., para sa mga detalye. Sa pamamagitan ng paghahambing ng pagmamaneho ng Waymo sa benchmark na pagmamaneho mula sa mga parehong lokasyon, implicit na isinasaalang-alang ang marami sa mga epekto ng kundisyon sa pagmamaneho. Ipinakita ng aming pananaliksik na ang mga rate ng pag-crash ay lubhang nag-iiba depende sa lokasyon, kaya naman iminumungkahi namin na huwag gumamit ng pambansang average benchmark upang ihambing sa pagmamaneho ng Waymo.
Ang mas mahusay na pag-ayon ng mga benchmark na rate ng pag-crash sa kapaligiran sa pagmamaneho ng Waymo sa pamamagitan ng lokal na datos ng pag-crash at ang dynamic na pagsasaayos ay isinasaalang-alang ang marami ngunit hindi lahat ng posibleng salik na maaaring makaapekto sa panganib ng pag-crash. Halimbawa, walang malaking pag-ulan ng niyebe sa mga kasalukuyang lungsod kung saan nagpapatakbo ang Waymo, at dahil dito, hindi kasama sa data ng Waymo o ng benchmark ng tao ang ganitong uri ng masamang panahon. Natuklasan nina Chen et al. (2025) na nakakaapekto ang oras ng araw sa mga rate ng banggaan (karaniwang mas mataas ang mga rate ng banggaan sa hatinggabi kaysa sa araw). Ang bottleneck para sa pagsasaalang-alang ng higit pang salik kapag iniaayon ang benchmark at data ng Waymo ay kadalasang kakulangan ng data para sa exposure sa pagmamaneho ng tao. Halimbawa, ang data ng VMT na ginagamit para gawin ang dynamic na benchmark ay ibinibigay bilang taunang average, kaya hindi ito magagamit para mag-adjust para sa oras ng araw. Sinisiyasat namin ang iba pang data source na makakatulong na magbigay ng data ng tao para maiayon pa ang benchmark at data ng Waymo.
1.1.5. Bakit ginagamit ng paghahambing ang lahat ng taong driver mula sa lugar kung saan nagpapatakbo ang Waymo sa benchmark?
Inihahambing ng mga resulta sa data hub ng epekto sa kaligtasan ang performance sa banggaan ng Waymo sa kasalukuyang fleet ng pagmamaneho ng tao mula sa mga lugar kung saan nagpapatakbo ang Waymo gamit ang pinakamahuhusay na kagawian para iayon ang data ng banggaan ng Waymo at ng tao. Sinasagot ng paghahambing na ito ang tanong sa pananaliksik na, “ano ang epekto ng pagmamaneho ng Waymo sa status quo.” Ang ganitong uri ng tanong sa pananaliksik ang pinakapangunahing tanong na itinatanong ng mga researcher kapag may dine-develop at dine-deploy na bagong teknolohiya sa sasakyan (halimbawa, automated emergency braking, electronic stability control). Ang ganitong uri ng paghahambing ng status quo ay nagpapakita ng potensyal ng teknolohiya ng isang sasakyan upang mapabuti ang kaligtasan sa trapiko.
Ang ilan sa iba pang pananaliksik ni Waymo ay sinisiyasat ang paghahambing sa ibang mga populasyon. Halimbawa, sa nakaraang pananaliksik at sa aming mga pamamaraan sa pagtukoy ng potensyal na kaligtasan na sumusuri sa aming performance sa pag-iwas sa banggaan, madali naming inihahambing ang performance ng Waymo Driver sa isang driver na “non-impaired with eyes on the conflict (NIEON).” May mga methodological na hamon sa paggawa ng bersyon ng benchmark na ito na may maihahambing na rate ng banggaan, dahil hindi madaling makuha ang eksaktong dami ng VMT para sa isang driver na parang “NIEON” para makapag-quantify ng mga benchmark, na pangunahing dahil sa katotohanang hindi palaging nasa NIEON na estado ang mga tao kapag nagmamaneho. Sa iba pang gawa ng Swiss Re sa pakikipag-collaborate sa Waymo (nasa peer review), inihambing ang mga rate ng mga third party na claim ng Waymo sa mga taong driver na nagmamaneho ng mga sasakyang pinakabago ang generation. Ito ay kumakatawan sa isa pa, mas mahusay na gumaganap na subset ng mga sasakyang pinapagana ng tao dahil ang mga pinakabagong henerasyon ng mga sasakyan ay karaniwang may pinahusay na mga tampok sa kaligtasan.
Ang isa pang posibleng nakapagbibigay-kaalaman na paghahambing ay maaaring sa iba pang mga populasyon na nagmamaneho tulad ng mga taxi o mga taong sumasakay sa ride-hailing. Sa ngayon, walang pampublikong available (at samakatuwid, independent na nave-verify) na data source para sa pag-quantify ng mga banggaan at VMT para sa mga espesyal na populasyong ito sa iba't ibang resulta tulad ng ginagawa para sa pangkalahatang ulat ng pulis at mga pampublikong database ng VMT. Ang isa pang benchmark na magpapakita ng inaasahang pag-usad ay ang benchmark ng driver na walang kapansanan. Bagama't puwede itong maging mahalagang paghahambing, hindi ito nagbibigay ng pagsusuri sa pagbaba sa rate ng banggaan ng status quo. Katulad ng mga rate ng espesyal na populasyon, mahirap gumawa ng lokal na pagtatantya sa bilang ng mga banggaang nasa impluwensya ng alak o droga at VMT na nasa impluwensya ng alak at droga. Ang mga ito ay mga kumplikado pero mahalagang bahagi ng karagdagang pananaliksik habang nagiging available ang mga bagong data source.
1.1.6. Bakit kumukuha ang Waymo ng maximum na pinsala mula sa buong sequence ng banggaan?
Puwedeng sukatin ang mga resulta ng pinsala sa iba't ibang paraan. Ayaw naming masyadong nakatuon ang aming pagsusuri sa mga nakasakay sa Waymo vehicle, dahil puwede nitong maliitin ang epekto sa kaligtasan ng Waymo sa pagkasangkot sa mga banggaang nakakapinsala ng mga taong wala sa sasakyan ng Waymo. Kaya pumili kami ng resulta sa level ng banggaan na tumitingin sa maximum na sustained na pinsala ng sinumang taong sangkot sa buong sequence ng banggaan. Karaniwang kagawian sa pananaliksik sa kaligtasan ng sasakyan ang maximum na score ng pinsala sa level ng banggaan, at madalas itong direktang ibinibigay sa mga ulat ng pulis bilang entry field.
1.2. Nakapagmaneho na ba ang Waymo nang sapat na milya para makabuo ng matatatag na konklusyon (statistical significance)?
Parang napakaliit ng mga milyang minamaneho ng Waymo (nasa 100 milyong milya) kung ikukumpara sa bilyon-bilyong milyang minamaneho sa mga lungsod kung saan nagmamaneho ang Waymo, o trilyon-trilyong milyang minamaneho taon-taon sa buong United States. Gayunpaman, kapag naghahambing ng mga rate ng dalawang populasyon, ang mga konklusyong makukuha mo mula sa data ay nasasaklawan ng tinatawag na statistical power. Ang tanong na sinasagot ng Safety Impact Data Hub ay magkaiba ba ang mga rate ng banggaan ng Waymo at benchmark? Ang input sa kalkulasyong ito ay ang bilang ng mga pag-crash at ang bilang ng mga milyang nilakbay ng Waymo at ng mga benchmark na populasyon at minodelo gamit ang isang Poisson distribution, ang pinakakaraniwang distribution para sa paghawak ng data ng bilang.
Ang isang halimbawa ng problemang ito ay ang pagsusuri sa bilang ng mga mag-aaral na hindi nakapasa sa pagsusulit. Sa isang distrito ng paaralan, sabihing 300 sa 1,000 mag-aaral na kumukuha ng parehong test ang hindi pumapasa (3 ang hindi pumapasa kada 10 nagte-test). Makatuwirang tanungin kung iba ang naging performance ng Class A na may 20 mag-aaral kaysa sa pangkalahatang populasyon sa test na ito (tandaang ipinagpapalagay naming hindi nakadepende sa pagiging nasa Class A ang pagpasa o hindi pagpasa sa test para sa pinasimpleng halimbawang ito). Halimbawang may 10 sa 20 mag-aaral sa Class A na hindi pumasa sa pagsusulit (5 ang hindi pumasa kada 10 nag-test). May hindi pumasa na rate ang Class A na doble sa rate ng distrito ng paaralan. Gayunpaman, kapag gumamit kami ng Poisson confidence interval, hindi naiiba sa statistical na paraan ang rate ng hindi pagpasa sa klase ng 20 mula sa average ng distrito ng paaralan sa 95% level ng kumpiyansa. Kung ihahambing natin ang Class A sa buong estado ng 100,000 mag-aaral (na may parehong rate na 3 hindi papasa kada 10 magte-test, o 30,000 sa 100,000 ang hindi papasa), ang 95% confidence interval ng paghahambing na ito ay halos kapareho ng paghahambing sa county (300 sa 1000 magte-test). Ibig sabihin, para sa paghahambing na ito, ang kawalan ng katiyakan sa maliit na bilang ng mga obserbasyon sa Class A (20 mag-aaral lang) ay mas malaki kaysa sa kawalan ng katiyakan sa mas malaking populasyon. Gamiting halimbawa ang isa pang klase, ang Class B, kung saan 1 lang sa 20 mag-aaral ang hindi pumasa sa test (0.5 ang hindi pumasa kada 10 nag-test). Kapag inilapat ang 95% confidence interval, ang Class B na ito ay mayroong pass rate na naiiba sa statistical na paraan sa average ng county (pati na rin kapag inihambing sa estado). Ipinapakita ng halimbawang ito na kapag inihahambing ang mga rate ng mga pangyayari sa dalawang populasyon kung saan ang isang populasyon ay mas malaki kaysa sa isa pa (sinusukat ng mga kumuha ng pagsusulit, o milyang nilakbay), ang dalawang bagay na nagtutulak sa kahalagahang pang-istatistika ay: (a) ang bilang ng mga obserbasyon sa mas maliit na populasyon (mas maraming obserbasyon = mas maagang kahalagahan) at (b) mas malalaking pagkakaiba sa mga rate ng paglitaw (mas malaking pagkakaiba = mas maagang kahalagahan).
Ngayon, isaalang-alang ang isa pang eksperimento gamit ang datos ng Waymo. Isaalang-alang ang figure sa ibaba na nagpapanatili sa bilang ng paglabas ng airbag ng Waymo sa anumang banggaan ng sasakyan (34) at VMT (71.1 milyong milya) na hindi nagbabago habang nagpapalagay ng iba't ibang order ng magnitude ng mga milyang minaneho sa populasyon ng benchmark ng tao (benchmark na rate na 1.649 na insidente kada milyong milya na may 17.8 bilyong milyang nabiyahe). Ang point estimate ay 71% mas kaunti ang ganitong mga banggaan ng Waymo kaysa sa benchmark. Ipinapakita ng mga confidence interval (na tinatawag ding mga error bar paminsan-minsan) ang kawalan ng katiyakan para sa pagbabang ito sa 95% level ng kumpiyansa (95% kumpiyansa ang pamantayan sa karamihan ng pag-test sa istatistika). Kung hindi tumatawid sa 0% ang mga error bar, nangangahulugan itong mula sa istatistikal na pananaw, 95% kaming kumpiyansang hindi dahil sa pagkakataon ang resulta, na tinutukoy din namin bilang statistical significance. Ipinapakita ng “simulation” na ito ang epekto sa statistical significance kapag binabago ang VMT ng benchmark na populasyon. Magiging statistically significant ang paghahambing na ito kahit na mas kaunti ang milyang namaneho ng populasyon ng benchmark kaysa sa populasyon ng Waymo (10 milyong milya). Bukod pa rito, hangga't may mahigit 100 milyong milya ang benchmark ng tao, halos walang makikitang pagkakaiba sa mga confidence interval ng paghahambing. Ibig sabihin nito, ang mga paghahambing sa malalaking lungsod sa US (batay sa bilyon-bilyong milya) ay walang pagkakaiba sa istatistikal na pananaw kaysa sa paghahambing sa taunang pagmamaneho sa buong US (trilyon-trilyong milya). Gaya ng halimbawa ng test sa paaralan, nakapagmaneho na ang Waymo ng sapat na milya (sampu-sampu hanggang daan-daang milyong milya) at sapat na ang laki ng mga pagbabawas (70%-90% na pagbabawas) para makakuha ng statistical significance.
1.3. Peer reviewed o external na na-validate ba ang iyong pamamaraan?
Ginagamit ng pagsusuring ito ang metodolohiya at mga pamantayan ng tao na ipinakilala sa Scanlon at iba pa. (2024), Kusano at iba pa. (2024), at Kusano at iba pa. (2025)
Ang mga papel na pananaliksik na ito ay nailathala na sa mga peer-reviewed na siyentipikong journal.
Mga Citation
Scanlon, J. M., Kusano, K. D., Fraade-Blanar, L. A., McMurry, T. L., Chen, Y. H., at Victor, T. (2024). Mga Benchmark para sa Retrospective na Pagsusuri sa Rate ng Banggaan ng Automated Driving System Gamit ang Data ng Banggaang Iniulat ng Pulis. Pag-iwas sa Pinsala sa Trapiko, 25(sup1), S51-S65.
Kusano, K. D., Scanlon, J. M., Chen, Y. H., McMurry, T. L., Chen, R., Gode, T., at Victor, T. (2024). Paghahambing ng data ng banggaang Rider lang ng Waymo sa mga benchmark ng tao sa 7.1 milyong milya. Pag-iwas sa Pinsala sa Trapiko, 25(sup1), S66-S77.
Kusano, K. D., Scanlon, J. M., Chen, Y. H., McMurry, T. L., Gode, T., at Victor, T. (2025). Paghahambing ng Mga Rate ng Banggaang Rider Lang ng Waymo ayon sa Uri ng Banggaan sa Mga Benchmark ng Tao sa 56.7 Milyong Milya. Pag-iwas sa Pinsala sa Trapiko, 26(sup1), S8–S20. https://doi.org/10.1080/15389588.2025.2499887.
Pagsusuri ng kapwa mananaliksik, kung saan ang isang papel pananaliksik ay isinumite sa isang journal at mga hindi nagpapakilalang mananaliksik na may kadalubhasaan sa larangan ng pagsusuri ng pananaliksik at nagmumungkahi ng mga pagpapabuti sa papel. Naging pamantayan na ang proseso ng peer review para sa pag-publish ng pananaliksik. Kinakailangan ng prosesong ito na ilarawan ang pananaliksik nang may sapat na detalye para ma-reproduce ang mga resulta, at na suportahan ng mga resulta ang mga konklusyon ng pananaliksik. Ang mga paraang ginagamit sa Safety Impact Data Hub ay kapareho ng sa mga peer reviewed paper, na nagbibigay ng level ng transparency sa mga paraan. Gaya ng nakaugalian sa akademikong pag-publish, madalas din kaming nagre-release ng mga pre-print ng mga publication habang sumasailalim sa peer review ang mga artikulo, na kasalukuyang pinakamahusay na kagawian, na may layuning ipalaganap ang aming gawa at mag-imbita ng komento mula sa siyentipikong komunidad.
1.4. Available ba ang raw data para sa mga researcher?
Oo, puwedeng ma-reproduce ang mga resulta sa Data Hub gamit ang data na available sa publiko. Gaya ng isinulat namin sa 1.1.2, nakabatay ang lahat ng bilang ng banggaan ng Waymo sa mga event na iniulat bilang bahagi ng Standing General Order (SGO) ng NHTSA. Bukod pa rito, ibinibigay ang raw data na ginamit para buuin ang lahat ng istatistika sa data hub bilang mga nada-download na CSV file – na nagbibigay-daan sa sinumang researcher o iba pang third party na i-replicate at i-verify ang mga resulta. Kasama rito ang bilang ng mga milyang minaneho sa bawat lokasyon (CSV1), ang pagtukoy ng SGO case at mga kategorya ng resulta para sa bawat case na kasama sa pagsusuri (CSV2), mga paghahambing sa mga benchmark na rate ng banggaan na pinagsama-sama ayon sa lokasyon, resulta, at uri ng banggaan (CSV3), at ang mga milyang minaneho sa mga heograpikong lokasyon sa lungsod na ginamit para sa dynamic na adjustment ng lokasyon (CSV4). Ang mga paraang ginamit sa data hub ay batay sa mga peer-reviewed paper na open access (tingnan ang tanong 1.3 para sa mga pagsipi).
1.5. Bakit ipinapakita ang mga resulta sa mga nabanggang sasakyan kada milya?
Kinakalkula ang rate ng nabanggang sasakyan o rate sa level ng sasakyan sa pamamagitan ng pagbilang sa dami ng mga sasakyang nasangkot sa mga banggaan sa isang partikular na level ng resulta at paghahati nito sa VMT sa level ng populasyon. Para sa mga banggaan ng Waymo, kinakalkula ang rate ng nabanggang sasakyan bilang dami ng mga Waymo vehicle na nabangga na may partikular na level ng resulta na hinati sa kabuuang milyang Rider Lang (Rider-Only o RO) na biniyahe ng Waymo. Para sa benchmark, ito ang kabuuang bilang ng mga sasakyang sangkot sa mga banggaang may partikular na resulta sa data ng ulat ng pulis na hinati sa kabuuang VMT ng populasyon.
Ang isa pang sukatang available ay ang rate sa level ng banggaan (ibig sabihin, dami ng mga banggaan kada VMT ng populasyon). Para ilarawan kung bakit nagkakaroon ng hindi pagkakatugma ng unit na puwedeng humantong sa mga maling konklusyon kapag gumamit ng benchmark sa level ng banggaan para ihambing sa rate sa level ng sasakyan ng isang fleet ng Automated Driving System (ADS), kapaki-pakinabang ang paggamit ng hypothetical at simpleng halimbawa. Isaalang-alang ang isang benchmark na populasyong naglalaman ng dalawang sasakyang parehong nagmaneho nang 100 milya bago magbanggaan (2 nabanggang sasakyan, 1 banggaan, 200 VMT ng populasyon). Ang rate sa level ng banggaan ay 0.5 banggaan kada 100 milya (1 banggaan / 200 milya), habang ang rate sa level ng sasakyan ay 1 nabanggang sasakyan kada 100 milya (2 nabanggang sasakyan / 200 milya). Katulad ito ng pagkuha ng mga benchmark mula sa data ng banggaang nakasaad sa ulat ng pulis, kung saan may average na 1.8 sasakyang sangkot sa bawat banggaan at data ng VMT kung saan tinatantya ang VMT sa lahat ng sasakyan. Ngayon, isaalang-alang ang pangalawang populasyon ng ADS na may 1 sasakyang bumibiyahe din nang 100 milya bago masangkot sa banggaan sa isang sasakyang wala sa populasyon. Katulad ng sitwasyong ito kung paano kinokolekta ang data para sa mga fleet ng ADS. Nire-record ang kabuuang VMT ng fleet ng ADS, pati na rin ang mga banggaang kinasasangkutan ng isang ADS na sasakyan. Para sa fleet ng ADS, ang rate ng nabanggang sasakyan (sa level ng sasakyan) ay 1 nabanggang sasakyan kada 100 milya. Kung mali ang paghahambing ng isang pagsusuri sa benchmark na rate sa level ng banggaan na 0.5 banggaan kada 100 milya sa rate sa level ng sasakyan ng ADS na 1 nabanggang sasakyan kada 100 milya, ang magiging konklusyon ay 2 beses na mas mataas ang rate ng banggaan ng fleet ng ADS kaysa sa benchmark. Ang totoo, sa halimbawang ito, ang ADS crash rate ng 1 nabanggang sasakyan sa bawat 100 milya ay hindi naiiba sa benchmark crashed vehicle rate, kung saan ang isang indibidwal na drayber ng isang sasakyan ay nasangkot sa 1 banggaan sa bawat 100 milyang nilakbay.
Madaling gawin ang pagkakamaling ito ng paghahambing ng antas ng pagbangga sa antas ng sasakyan kapag gumagamit ng pinagsama-samang estadistika dahil ang mga buod na estadistika na ibinibigay ng mga ahensya ng pananaliksik ay kadalasang naglilista ng bilang ng mga banggaan sa halip na bilang ng mga sasakyang sangkot sa mga banggaan. Halimbawa, iniulat ng Scanlon et al. (2024) na sa buong bansa, may 5,930,496 na banggaang iniulat sa pulis noong 2022, na kinasangkutan ng 10,528,849 na nabanggang sasakyan. Ang kabuuang pambansang VMT para sa 2022 ay 3.2 trilyong milya. Ibig sabihin nito, ang rate sa level ng banggaan para sa US ay 1.9 na banggaan kada milyong milya habang ang rate sa level ng sasakyan ay 3.3 nabanggang sasakyan kada milyong milya.
Ang isa pang karaniwang sukatang ginagamit sa kaligtasan sa trapiko ay mga napinsalang tao kada VMT (ibig sabihin, isang rate sa level ng tao). Bilang panukat sa level ng populasyon ng bigat ng mga banggaan, may merit ang rate sa level ng tao. May ilang praktikal na isyu at isyu sa interpretasyon na dahilan para hindi maging mainam na sukatan ang rate sa level ng tao kapag naghahambing ng isang populasyon sa isa pa tulad ng ginagawa sa Safety Impact Data Hub. Ang rate sa level ng tao para sa isang fleet ng ADS na gumagana sa halo-halong trapiko ay mukhang bababa habang tumataas ang laki ng fleet (o penetration), kahit na nananatiling pareho ang rate ng pagkakasangkot sa banggaan. Dahil maraming sasakyan ang madalas na nasasangkot sa mga banggaan, kapag mas malaki ang laki ng fleet, mas malamang na maraming ADS na sasakyan ang masasangkot sa banggaan, na magpapababa sa rate sa level ng tao (parehong bilang ng mga taong nasasangkot sa banggaan, higit pang VMT). Ibig sabihin nito, sa unang bahagi ng pag-test, magmumukhang mas mataas ang rate sa level ng tao ng fleet ng ADS kaysa sa benchmark kahit na sangkot ang ADS sa parehong bilang ng mga banggaan gaya ng populasyon ng benchmark. Para matugunan ang bias na ito, puwedeng magkalkula ng fractional na rate sa level ng tao na tinukoy bilang kabuuang bilang ng mga taong sangkot sa banggaan sa isang partikular na resulta na hinati sa bilang ng mga sasakyang sangkot sa banggaan. Bagama't natutugunan ng fractional na rate sa level ng tao ang bias sa maraming sasakyan, gumagawa ito ng ibang bias sa interpretasyon ng mga resulta. Binibigyang-diin ng fraction na rate ng banggaan sa level ng tao ang mga banggaang kinasasangkutan ng mas kaunting sasakyan kaysa sa mga banggaang kinasasangkutan ng maraming sasakyan. Mayroon ding praktikal na limitasyon dahil ang Standing General Order ng NHTSA, ang pinakakomprehensibong source ng mga banggaan ng ADS, ay nag-uulat lang ng maximum na kalubhaan ng pinsala sa banggaan at hindi ng bilang ng mga napinsalang pasahero sa mga partikular na level ng kalubhaan. Kaya naman hindi posibleng magkalkula ng rate sa level ng tao mula sa data ng SGO ngayon. Nalalapat din ang limitasyong ito sa ilang database ng banggaan sa estado, kung saan ang maximum na kalubhaan lang ang iniuulat. Dahil sa mga potensyal na bias sa interpretasyon at mga limitasyon sa pag-uulat, mas mainam ang rate sa level ng sasakyan kaysa sa rate sa level ng tao kapag naghahambing ng mga rate ng banggaan ng ADS at benchmark.
1.6. Ano ang pagkakaiba ng mga banggaan kada milya at mga milya sa pagitan ng mga banggaan?
Sa matematika, ang mga banggaan kada milya at milya sa pagitan ng mga banggaan ay ang inverse ng isa't isa (ibig sabihin, para magpalipat-lipat sa mga banggaan kada milya at milya sa pagitan ng mga banggaan, hatiin lang ang 1 sa rate). Gayunpaman, may mahahalagang dahilan kung bakit dapat ipakita ang mga rate ng banggaan sa mga banggaan kada milya, gaya ng nakasaad sa mga rekomendasyon ng checklist ng RAVE. Ang dahilan ay may linear na kaugnayan ang sukatang mga banggaan kada milya sa dami ng mga event, habang may hindi linear na kaugnayan ang kabaligtaran ng mga milya sa pagitan ng mga banggaan. Dahil sa hindi linear na ugnayang ito, mas mahirap maghambing ng mga pagbabago sa mga rate. Ang mga katulad na kahirapan ay nabanggit sa iba pang mga sukat tulad ng kahusayan sa gasolina ng sasakyan (milya bawat galon vs galon bawat 100 milya).
Gaya ng nakasaad sa Talaan ng tsek ng RAVE: “Isaalang-alang ang isang ADS na may miles per incident rate na 1 milyong milya bawat banggaan kumpara sa benchmark na 750,000 milya bawat banggaan. Ang isa pang ADS ay may rate na 500,000 milya kada banggaan kumpara sa benchmark na 250,000 milya kada banggaan. Sa parehong sitwasyon, 250,000 ang pagkakaiba sa mga milyang naibiyahe bawat banggaan, na nagbibigay ng ilusyong magkatulad ang pagkakaiba sa performance. Salungat dito, nagpapakita ang naunang paghahambing ng ADS na nagbabawas sa bilang ng mga banggaan kada milya nang 25% (1 IPMM vs 1.33 IPMM), habang binabawasan ng sumunod ang bilang ng mga banggaan kada milya nang 50% (2 IPMM vs 4 IPMM). Dahil ang mga rate ng mga insidente kada unit ng exposure ay linear na proporsyonal sa bilang ng mga event at ang mga rate ng unit ng exposure kada insidente ay hindi linear na nauugnay, hindi agad malinaw na mas mahirap ihambing ang mga nauugnay na rate.”
Figure 2 from RAVE checklist
2. Ano ang ibig sabihin ng mga resultang ito?
2.1. Ano ang konklusyon mo mula sa mga resulta ng epekto sa kaligtasan?
2.1.1. Ibig bang sabihin ng data na ito na mas ligtas ang Waymo Driver kaysa sa mga tao?
Ayon sa pananaliksik, mas ligtas ang Waymo Driver kaysa sa pangkalahatang populasyon ng mga taong driver sa parehong mga heograpikong lugar kung saan ito nagpapatakbo, na sinusukat sa pamamagitan ng bilang ng mga banggaang may partikular na resulta kada milyang biniyahe ng sasakyan. Nakatuon ang pananaliksik sa paghahambing sa performance sa kaligtasan ng Waymo Driver sa buong koleksyon ng mga sasakyang minamaneho ng tao sa parehong heograpikong lugar. Puwedeng isipin ang rate ng banggaang dulot ng tao bilang “status quo” ng pagmamaneho para sa lugar na iyon. Ginagamit ang paghahambing na ito sa pagsusuri sa epekto sa kaligtasan para matukoy kung gaano kaepektibo ang pagpapakilala ng teknolohiya ng Waymo kumpara sa status quo.
Pangkaraniwan ang pangkalahatang rate ng banggaang dulot ng taong driver, at naging posible ito dahil sa mga matagal nang kagawian sa pag-uulat ng data na halos nasa lahat ng dako ng buong United States at malaking bahagi ng mundo. May malakas na precedent sa kasaysayan para sa pagsusuri ng mga year-over-year na trend at sistematikong hamong kinakaharap ng mga buong heograpikong populasyon ng driver. Bagama't nag-aalok ang data ng banggaan ng ilang insight sa iba't ibang subset ng performance (hal., mga salik tulad ng uri ng sasakyan o pagkalasing ng driver), karaniwang walang ganoong fine-grained na granularity ang kaukulang data ng VMT para sa detalyadong breakdown. Halimbawa, para maihambing ang mga rate ng banggaan para sa mga salik tulad ng pagkalasing ng driver, kakailanganin mong malaman ang VMT para sa mga driver na lasing o tantyahin ito. Mas kaunting pagsisikap ang nakatuon sa paghihiwalay ng mga partikular na subset ng mga driver para sa komprehensibong pagsusuri sa panganib ng banggaan.
2.1.2. Ibig bang sabihin ng mga resulta ng epekto sa kaligtasan na “Sapat na Ligtas” ang Waymo?
Bagama't kumakatawan sa benepisyo sa kaligtasan ang statistically significant na pagbaba (ibig sabihin, mas kaunti ang banggaan), ginagawa ang pag-claim tungkol sa “sapat na ligtas” sa pamamagitan ng Framework sa Kaligtasan at Safety Case ng Waymo bago ang pag-release ng configuration ng ADS. Hindi layunin ng epekto sa kaligtasan na tukuyin kung ano ang makatuwirang level ng kaligtasan para sa isang naka-automate na system ng pagmamaneho. Ginagamit ng Waymo ang Framework sa Kaligtasan nito para tukuyin ang pagiging handa sa kaligtasan ayon sa mga alituntunin sa pag-apruba para sa isang partikular na kandidato para sa release ng software. Bukod pa rito, may isinasagawang independent na pagsusuri sa pagiging naaangkop ng naturang proseso sa pamamagitan ng Safety Case. Ang safety case ay isang pormal na paraan para ipaliwanag kung paano natutukoy ng isang developer ng ADS na sapat na ang kaligtasan ng system nito para ma-deploy sa mga pampublikong kalsada nang walang driver na tao. Kasama sa safety case ang ebidensya para pormal na matukoy ang kawalan ng hindi makatuwirang panganib. Kasama rito ang paliwanag sa system, mga pamamaraan at sukatang ginamit para i-validate ito, at mga aktwal na resulta ng mga test sa pag-validate. Sa kabilang banda, ang retrospective na ebidensyang ibinibigay ng Safety Impact Data Hub ay nagsisilbing tungkulin sa pag-validate pagkatapos ng pag-deploy para sa Framework sa Kaligtasan at Safety Case. Ang cycle na ito ng tuloy-tuloy na pagbuo ng kumpiyansa sa mga proseso ng Framework sa Kaligtasan at Safety Case ay bumubuo rin ng kumpiyansang maghahatid ang proseso ng mga katulad na resulta ng epekto sa kaligtasan habang lumalawak ang Waymo sa mga bagong lugar.
2.1.3. Paano nagkakaiba ang performance ng Waymo sa maraming release ng software at hardware?
Ang karamihan sa pananaliksik sa epekto sa kaligtasan ay gumagamit ng mga banggaan mula sa lahat ng Rider Lang (Rider-Only o RO) na milyang naipon hanggang sa kasalukuyan. Lubos na dumami ang mga milya ng pagmamaneho ng Waymo sa paglipas ng panahon, kaya mas malaking bahagi ng mga milya ng pagmamaneho ng Waymo ang mas kamakailang data kaysa sa mga mas lumang milya. Katulad ng FAQ tungkol sa “bakit hindi hinahati sa mas maraming kategorya ang mga paghahambing ng pagmamanehong Rider Lang ng Waymo sa mga benchmark na rate ng banggaan?”, kapag hinati ang mga milya ng pagmamaneho sa mas maliliit na bahagi, nababawasan ang statistical na lakas ng pagsusuri, na karaniwang limitasyong napapansin sa iba pang larangang kritikal sa kaligtasan.
Karaniwan sa pananaliksik sa epekto sa kaligtasan na ginawa sa mga nakaraang system para sa kaligtasan ang pagpapangkat-pangkat ng maraming release ng software, o kahit na data mula sa iba't ibang manufacturer. Halimbawa, madalas na tumitingin ang pananaliksik mula sa Insurance Institute for Highway Safety at PARTS consortium sa isang teknolohiya tulad ng Automated Emergency Braking o Lane Departure Prevention at pinagpapangkat-pangkat nito ang ilang manufacturer para matukoy ang pangkalahatang epekto ng isang teknolohiya. Gayundin, ipinapakita ng pananaliksik sa epekto sa kaligtasan ng Waymo ang pangkalahatang epekto ng Waymo Driver. Habang tumataas ang naipon na milyahe sa pagmamaneho, may pagkakataon na siyasatin ang epekto ng Waymo sa kaligtasan sa mas maiikling panahon.
Sinisikap ng pananaliksik sa epekto sa kaligtasan ng Waymo na sagutin ang tanong sa pananaliksik na “ano ang epekto ng Waymo sa kaligtasan kumpara sa kasalukuyang mga rate ng banggaan ng sasakyan na dulot ng tao?” (ang kasalukuyang kalagayan). Ang tanong na medyo naiiba, at kasinghalaga rin, ay “paano nakakasigurado ang Waymo na ligtas ang mga bagong release ng software at hardware?” Para sagutin ang pangalawang tanong na ito, nag-develop ang Waymo ng Framework sa Kaligtasan at Diskarte ng Safety Case. Sa madaling salita, sinusuri ng mga ito ang performance ng Waymo sa bawat bagong kandidatong configuration gamit ang koleksyon ng mga pamamaraang sumasaklaw sa arkitektura ng sasakyan, gawi sa pagmamaneho, at mga layer ng pagpapatakbo laban sa mga pamantayan sa pagtanggap.
2.1.4. Paano naman ang epekto ng Waymo sa mga pagkamatay?
Nag-publish ang Waymo ng malawak na saklaw ng mga benchmark, kabilang ang pagkasangkot sa nakamamatay na banggaan, na gagamitin sa mga pagsusuri sa hinaharap. Sa kasalukuyan, walang sapat na VMT ng Waymo para makatukoy ng statistical significance sa mga lugar kung saan kami nagmamaneho at samakatuwid, hindi namin hinihiwalay ang kategoryang iyon na mga pagkamatay lang sa aming pag-uulat. Idinisenyo rin ang Waymo Driver para mabawasan o maalis ang mga pangunahing sanhi ng mga nakamamatay na banggaan ayon sa pinakabagong data ng NHTSA: pagpapatakbo nang mabilis, pagmamaneho nang nasa impluwensya ng alak o droga at distracted na pagmamaneho, at mga pasaherong hindi nakasuot ng seatbelt. Kasama sa kategoryang “malubhang pinsala o mas malala pa” ang mga malubhang napinsala at mga namatay. May mga namatay rin sa lahat ng iba pang kategorya ng resulta ng banggaan.
Ang diskarte ng Waymo ay (a) proactive na mag-publish ng mga benchmark, pamamaraan, at nilalayong analytical lens, (b) magsagawa ng mga pagsusuri sa mga itinatag na benchmark na iyon kapag nagpapahiwatig ang mga nakaraang nakumpletong pagsusuri sa power na posibleng may ma-detect na kahalagahan, at (c) i-publish ang mga natuklasan sa aming data hub at sa mga siyentipikong publication.
Gaya ng nangyari sa maraming inobasyon sa kaligtasan sa kasaysayan ng kaligtasan ng sasakyan, may iba pang paraan para matukoy ang potensyal ng isang teknolohiya bago ito malawakang i-deploy at makapag-ipon ng mga milya. Halimbawa, natuklasan ng aming pananaliksik na nag-reconstruct ng mga nakamamatay na banggaang kinasangkutan ng mga taong driver sa Chandler, AZ na naiwasan ng Waymo Driver ang 100% ng mga na-simulate na nakamamatay na banggaan kapag ito ang initiator, at 82% ng mga banggaan kahit na ito ang responder. Ang ganitong uri ng pag-aaral, kapag isinama sa proseso ng pagtukoy ng kahandaan sa kaligtasan ng Waymo, ay nagpapakitang may malaking potensyal ang Waymo Driver na bawasan ang mga malubha at nakamamatay na pinsala.
2.1.5. Ano ang pagkakaiba ng “malubhang pinsala o mas malala pa” at “anumang pagkamatay” na rate ng banggaan?
Sa pananaliksik sa kaligtasan sa automotive, karaniwang pinag-aaralan ang mga pinsalang nasa o lampas sa isang partikular na level. Sa case ng aming pagsusuri, kasama sa “malubhang pinsala o mas malala pa” ang mga pinaghihinalaang malubhang pinsala (tinutukoy bilang mga pinsalang “A”-level o nakakabaldado sa KABCO scale na ginagamit sa mga ulat ng pulis sa US) at mga nakamamatay na pinsala (tinutukoy bilang mga pinsalang “K”-level sa KABCO scale). Nag-publish ang Waymo ng mga benchmark na may kasamang mga banggaang “K”-level, anumang pagkamatay, bilang sarili nitong kategorya. Kasalukuyang hindi iniuulat ang resultang ito bilang bahagi ng Safety Impact Data Hub, pero nilalayon naming idagdag ang resultang ito sa hinaharap.
Kung titingnan lang natin ang “malubhang pinsala” (mga “A”-level na pinsala lang), posibleng makapagpasok kami ng isang uri ng bias sa pagbubukod. Halimbawa, kung ang isang paggamot ay magdudulot lang ng mga nakamamatay na resulta at napakakaunting pinaghihinalaang malubhang pinsala, puwede itong humantong sa maling konklusyong mas ligtas ang paggamot kaysa sa inaakala, dahil hindi binibilang ang mga “nakamamatay” na pinsala. Sa pamamagitan ng pagdaragdag sa stipulation na “sa o higit pa,” maiiwasan natin ang potensyal na maling pangangatwirang ito.
2.2. Mayroon bang iba pang salik na hindi isinaalang-alang sa pananaliksik sa epekto sa kaligtasan na posibleng makaapekto sa interpretasyon ng mga resulta?
2.2.1. Talaga bang autonomous ang Waymo kung kailangang magbigay ng mga tao ng paminsan-minsang remote na tulong?
Sinisiyasat ng pananaliksik sa epekto sa kaligtasan ng Waymo ang pagkakaiba sa mga rate ng banggaan sa pagitan ng mga Waymo vehicle at mga taong driver na nagmamaneho sa mga maihahambing na lugar. Nagbibigay-daan ang Remote na Tulong sa Waymo Driver na makipag-ugnayan sa isang tao para sa karagdagang impormasyong makakatulong na bigyang-konteksto ang paligid nito sa ilang partikular na mapanghamon o hindi karaniwang sitwasyon. Bahagi na ng disenyo ng Waymo Driver ang Remote na Tulong mula pa sa simula, at bahagi nga ito ng dahilan kung bakit ligtas na napalawak ng Waymo ang mga operasyon nito. Ang programa ng Remote na Tulong ng Waymo ay nakatanggap ng independent na third-party na pag-audit na nagpapakitang sumusunod ito sa pinakamahuhusay na kagawian sa industriya sa larangang ito at talagang autonomous ito ayon sa pinakamahuhusay na kagawian sa industriya (1, 2).
2.2.2. Makakayanan ba ng mga autonomous na sasakyan ang lahat ng mapanghamong sitwasyong nakakayanan ng mga tao sa buong buhay nila?
Kasalukuyang nagmamaneho ang Waymo Driver nang milyon-milyong milya kada linggo. Ang Waymo Driver ay may pinagsama-samang experience na katumbas ng daan-daang buhay ng tao sa pagmamaneho, kapag isinaalang-alang ang mga milyang naimaneho sa kalsada at sa simulation. Sa ganitong scale, regular na nangyayari ang marami sa mga mapanghamong sitwasyon, tulad ng mga biglaang paglabas ng mga taong naglalakad mula sa likod ng nakaparadang kotse o pagdaan ng isa pang sasakyan sa red light. Kung hindi kayang harapin ng Waymo Driver ang marami sa mga mapaghamong sitwasyon na kinakaharap ng mga tao sa buong buhay nila, hindi sana magiging mas mababa ang mga rate ng pag-crash ng Waymo kaysa sa mga taong drayber.
Ginagamit ng Waymo ang Framework sa Kaligtasan nito para tukuyin ang pagiging handa sa kaligtasan ayon sa mga alituntunin sa pag-apruba para sa isang partikular na kandidato para sa release ng software. Bukod pa rito, may isinasagawang independent na pagsusuri sa pagiging naaangkop ng naturang proseso sa pamamagitan ng Safety Case. Ang safety case ay isang pormal na paraan para ipaliwanag kung paano natutukoy ng isang developer ng ADS na sapat na ang kaligtasan ng system nito para ma-deploy sa mga pampublikong kalsada nang walang driver na tao. Kasama sa safety case ang ebidensya para pormal na matukoy ang kawalan ng hindi makatuwirang panganib. Kasama rito ang paliwanag sa system, mga pamamaraan at sukatang ginamit para i-validate ito, at mga aktwal na resulta ng mga test sa pag-validate.
2.2.3. Kung nagbibiyahe ang Mga Waymo Vehicle sa pagitan ng paghahatid ng mga pasahero (kilala rin bilang deadheading), hindi ba nagdudulot ng mga benepisyo sa kaligtasan ang kawalan ng taong posibleng masaktan sa sasakyan (dahil walang driver)?
Ipinapakita ng mga resulta ng pananaliksik sa epekto sa kaligtasan ng Waymo na kumpara sa kasalukuyang status quo ng mga sasakyang minamaneho ng tao, mas kaunti ang mga banggaang nagdudulot ng pinsala sa Waymo kada milyang biniyahe ng sasakyan. Bahagi ng benepisyo ang katotohanang kung minsan ay walang tao sa Waymo vehicle (hal., habang nagbibiyahe ang sasakyan papunta sa o galing sa depot para mag-charge o sa pagitan ng paghahatid ng mga rider). Mahalagang tandaang isinasaalang-alang ng pananaliksik sa epekto sa kaligtasan ng Waymo ang pinsala sa sinumang taong sangkot sa sequence ng banggaan, nasa loob man ng Waymo vehicle ang tao o wala. Kasama rito ang mga taong vulnerable na gumagamit ng kalsada, gaya ng mga pedestrian at siklista, o ang mga nakasakay sa iba pang sasakyang sangkot sa banggaan. Samakatuwid, kahit na may ilang benepisyo sa pagiging walang sakay ng Waymo vehicle paminsan-minsan, malamang na hindi sapat ang benepisyong ito ng pagiging walang sakay para ipaliwanag ang malaking pagbaba ng Waymo sa mga banggaang nagdudulot ng pinsala (puwedeng walang sakay ang sasakyan sa lahat ng oras at puwede pa rin itong masangkot sa mga banggaang posibleng makasakit ng mga tao sa labas ng sasakyan). Hindi apektado ng pagkakaroon ng tao sa loob ng Waymo vehicle ang iba pang resulta, gaya ng mga sukatan ng paglabas ng airbag. Bubukas ang mga airbag ng Waymo vehicle may nakasakay man sa Waymo vehicle o wala. Ang laki ng pagbaba ng paglabas ng airbag kumpara sa benchmark ay katulad ng pagbabang nagdudulot ng pinsala, na nagpapataas sa kumpiyansang hindi lubos na nakadepende sa occupancy ng Waymo vehicle ang mga naobserbahang benepisyo.
2.2.4. Sa anong mga sitwasyon mo sinuri ang performance ng Waymo Driver?
Ang pag-align sa mga banggaan at pagmamaneho ng Waymo at ng tao ay isa sa mga pinakamahalagang salik para makagawa ng patas na “mansanas sa mansanas” na paghahambing ng mga rate ng banggaan (tingnan ang tanong 1.1 para sa higit pang detalye tungkol sa pag-align).
Nakatuon ang mga unang pagsisikap namin sa tatlong bahaging pinaniniwalaan naming nagbibigay ng impormasyon para sa pagsusuri sa kaligtasan.
Kalubhaan ng banggaan - pagtatatag ng maraming level mula sa iniulat ng pulis hanggang sa pagkamatay.
Uri ng banggaan (ipinapakita sa ibaba) - ang typology na pinili namin ay batay sa nakaraang pananaliksik mula sa NHTSA na nagha-highlight sa mga pinakamahirap na sitwasyon sa pagmamaneho.
Uri ng kalsada - Dinedetalye namin ang mga rate ng banggaan ayon sa mga pangunahing kalsada at freeway. Sa kasalukuyan, limitado lang ang mga milya namin sa mga freeway, kaya sa mga surface street lang kami nakatuon. Pero plano naming pag-ibahin ang dalawang pagpapangkat ng uri ng kalsada sa aming mga publication sa hinaharap kapag nagbigay-daan ang VMT sa isang statistical na paghahambing.
Aktibo kaming nagsisikap na palawakin ang mga analytical lens na inilalapat namin sa pagsusuri sa Waymo Driver. Gayunpaman, karaniwan kaming nalilimitahan ng available na data ng banggaang kinasasangkutan ng tao. Aktibong umaasa ang Waymo sa data ng banggaan at mileage na available sa publiko. Limitado ang impormasyon ng data na ito tungkol sa mga detalye ng bawat indibidwal na banggaang kinasangkutan ng tao. Sa kabilang banda, napakarami ng impormasyon sa data ng Waymo dahil sa tuloy-tuloy naming pagsubaybay sa VMT at sa kakayahan naming i-capture ang bawat banggaan gamit ang aming napakaraming sensor. Para palawakin ang aming pagsusuri, patuloy naming iniimbestigahan ang paggamit ng mga bagong data source na may mas detalyadong impormasyon, at humihingi kami sa mas malawak na komunidad ng mga pagsusuri at data na makakatulong na suportahan ang pananaliksik.
2.2.5. Isinasaalang-alang ba ng pagsusuri sa epekto sa kaligtasan ang mga panganib na dulot ng mga naka-automate na sasakyang biglaang humihinto sa kalsada?
Isinasama sa pagsusuri sa epekto sa kaligtasan ang lahat ng banggaang kinasasangkutan ng mga Waymo vehicle na gumagana sa configuration na Rider Lang (Rider-Only o RO). Samakatuwid, kasama sa epekto sa kaligtasan ang panganib sa banggaan ng Waymo vehicle na humihinto sa kalsada at isa pang sasakyang mababangga sa nakahintong Waymo vehicle. Kasama rin sa benchmark ng tao ang mga ganitong uri ng mga banggaan sa nakahintong sasakyan.
2.2.6. Bakit hindi ka nagshe-share ng impormasyon sa kasalanan para sa mga banggaang ito?
Isinama sa pagsusuring ito ang lahat ng banggaan, anuman ang may kasalanan at responsibilidad ng Waymo. Bukod pa rito, ang tanong kung sino ang may kasalanan sa pagdulot o pag-aambag sa isang banggaan ay isang legal na pagpapasya. Gayunpaman, ipinakita ng kamakailang peer reviewed na pag-aaral na pinangunahan ng Swiss Re na sa lampas 3.8 milyong milya, nabawasan ng Waymo Driver ang dalas ng mga claim sa insurance para sa pinsala sa property nang 76% at ganap na naalis ang mga claim para sa pinsala sa katawan kumpara sa mga taong driver.Pagsipi:Di Lillo, L.,
Pagsipi
Di Lillo, L., Gode, T., Zhou, X., Atzei, M., Chen, R., at Victor, T. (2024). Paghahambing na performance sa kaligtasan ng mga autonomous at taong driver: Pag-aaral ng sitwasyon sa totoong buhay ng Waymo Driver. Heliyon, 10(14). https://doi.org/10.1016/j.heliyon.2024.e34379
Isang kasunod na pag-aaral gamit ang datos ng mga paghahabol sa seguro na kasalukuyang sumasailalim sa peer review ang natuklasan na ang serbisyo ng Waymo RO ay nagkaroon ng katulad na malalaking pagbawas kumpara sa mga taong mahigit 25 milyong milya ang nilakbay. Bukod pa sa pangkalahatang benchmark ng tao, nagpapakilala rin ang bagong pag-aaral na ito ng benchmark ng sasakyan na “taon ng bagong model.” Mas mababa ang mga rate ng claim para sa pinsala sa property at pinsala sa katawan ng mga pinakabagong sasakyan (tinukoy bilang mga taon ng model 2018 hanggang 2021) kumpara sa kabuuang populasyon. Nagkaroon ang Waymo ng 88% pagbaba sa mga claim para sa pinsala sa property, 92% sa mga claim para sa pinsala sa katawan kumpara sa pangkalahatang populasyon, at 86% pagbaba sa mga claim para sa pinsala sa property at 90% sa mga claim para sa pinsala sa katawan. Ang lahat ng mga pagkakaibang ito ay makabuluhan sa istatistika.
Pagsipi
Di Lillo, L., Gode, T., Zhou, X., Chen, R., at Victor, T. (2024). Mas Mahusay ba ang Performance ng Mga Autonomous na Sasakyan kaysa sa Mga Sasakyang Minamaneho ng Tao na Pinakabago ang Generation? Isang Paghahambing sa Mga Claim sa Insurance para sa Pananagutan sa Sasakyan ng Waymo sa 25 Milyong Milya.
2.2.7. Ano ang epekto ng potensyal na pagtaas sa VMT dahil sa Mga Autonomous na Sasakyan sa pangkalahatang net na kaligtasan?
Sa ngayon, maihahambing ang serbisyo ng Waymo sa mga serbisyo ng ride-hailing na pinapatakbo ng tao. Ipinapakita ng data na napipigilan ng Waymo ang malubhang pinsala o mas malala pa, paglabas ng airbag, at anumang pinsalang naiulat nang mahigit 80%. Para humantong ang pagpapakilala ng Waymo sa net na pagtaas sa mga banggaan, kakailanganin ng Waymo na pataasin ang kabuuang VMT nang mahigit 80%, na hindi mukhang makatotohanang pagpapalagay. Maraming pag-aaral na nagpapakitang puwedeng lubos na mabawasan ang kabuuang VMT at mga sasakyan sa kalsada sa pagpapakilala ng mga shared na autonomous na sasakyan (halimbawa, 1, 2, 3, 4, 5).
2.3. Paano nababagay ang Waymo sa mas malawak na environment ng kaligtasan sa kalsada?
2.3.1. Bakit hindi na lang maghintay na palawakin ang mga deployment ng naka-automate na sasakyan hanggang sa maging perpekto ang teknolohiya?
Ang kaligtasan sa trapiko ay isang isyu sa pampublikong kalusugan at nagtakda ang 2030 Agenda para sa Sustainable Development ng matayog na target na bawasan ang mga pagkamatay at pinsala sa trapiko sa kalsada sa buong mundo nang 50% bago ang 2030. Nagmodelo ang pag-aaral ng RAND Corporation ng mga pag-deploy ng Automated Driving System (ADS) sa ilalim ng ilang pagpapalagay, kabilang ang isang system na may rate ng banggaan na bahagyang mas mababa lang kaysa sa mga kasalukuyang tao o paghihintay nang ilang taon para mag-deploy ng system na may rate ng banggaan na mas mababa kaysa sa mga tao. Ang mga resulta ay mas maraming pinsala ang maiiwasan sa pamamagitan ng mas maagang pag-deploy.
Ang Waymo ay may framework sa kaligtasan at diskarte ng safety case na may pangunahing layuning mag-deploy ng Rider Lang (Rider-Only o RO) na system na walang hindi makatuwirang panganib (absence of unreasonable risk o AUR). Naaabot ang layunin ng safety case na ito sa pamamagitan ng pag-decompose ng mga posibleng panganib ng system sa ilang dimensyon, pagtatakda ng mga pamantayan sa pagtanggap, at pagsusuri sa mga claim at ebidensya bago mag-deploy. Idinisenyo ang prosesong ito para matiyak na katanggap-tanggap ang kaligtasan ng Waymo Driver bago mag-deploy.
2.3.2. Posibleng mas ligtas ang mga naka-automate na sasakyan kaysa sa mga taong driver, pero hindi ba dapat natin ituon ang pansin natin sa iba pang kasalukuyang solusyon?
Hindi namin kailangang pumili ng isang teknolohiya o inisyatiba sa patakaran para labanan ang krisis sa kaligtasan sa trapiko. Ang mga naka-automate na sasakyan, tulad ng Waymo Driver, ay isa sa maraming tool na available para sa pagpapahusay ng kaligtasan sa trapiko. Nakatuon ang Waymo sa diskarte ng safe system at Vision Zero, na sa pamamagitan ng maraming pagpapahusay para sa mga mas ligtas na kalsada, mas ligtas na bilis, mas ligtas na sasakyan, mas ligtas na user ng kalsada, at mas ligtas na pangangalaga pagkatapos ng banggaan. Maraming pagpapahusay sa kaligtasan (gaya ng mga pamumuhunan sa mga mas ligtas na kalsada, pagtatakda ng mga ligtas na limitasyon sa bilis, pagpapatupad ng mga kasalukuyang batas sa trapiko, pagpapahusay sa pagsunod sa paggamit ng seat belt, pagbabawas sa pagmamaneho nang nasa impluwensya ng alak o droga, para magbanggit ng ilan) ang magpapadali rin sa pagsakay sa Waymo. Ang Waymo, tulad ng malaking bahagi ng industriya, ay isang pribadong pinopondohang kumpanya. Bilang isang lipunan, masusuportahan natin ang pagpapalawak ng mga automated na sasakyan nang hindi nababawasan ang iba pang mga pagpapabuti sa kaligtasan.
Ang mga automated na sasakyan ay nagbibigay ng kakaibang oportunidad kumpara sa iba pang mga teknolohiya sa kaligtasan dahil sa medyo malaking epekto nito sa kaligtasan ng mga taong nagmamaneho. Halimbawa, binabawasan ng Automated Emergency Braking ang mga banggaan sa likod (na humigit-kumulang isang quarter lang ng lahat ng banggaan) nang humigit-kumulang 50%. Kung ihahambing, nababawasan ng Waymo Driver ang mga banggaang nagreresulta sa anumang pinsalang iniulat nang humigit-kumulang 80% sa lahat ng paraan ng banggaan, kabilang ang mga banggaan sa intersection at VRU kung saan hindi pa kapansin-pansing nababawasan ng mga kasalukuyang aktibong teknolohiya sa kaligtasan ang mga banggaan.
2.3.3. Paano nababagay ang Mga Naka-automate na Sasakyan sa diskarte ng Safe System?
Ang diskarte ng Safe System, na nakabatay sa pandaigdigang kilusang Vision Zero, ay isang sistematikong paraang naglalayong alisin ang mga malubha at nakamamatay na pinsala sa system ng transportasyon sa kalsada. Nagbibigay ang Mga Naka-automate na Sasakyan ng Waymo ng mahalagang tool sa toolkit ng Safe System dahil idinisenyo ang mga ito na sumunod sa mga prinsipyo ng Vision Zero. Iniaatas ng Waymo ang paggamit ng seat belt ng lahat ng pasahero. Idinisenyo ang Waymo na sumunod sa limitasyon sa bilis at gumagamit ito ng mga sasakyang may mga pinakabagong passive na pangkaligtasang feature.
2.4. Paano naman ang mismong naka-share na data?
2.4.1. Gaano kadalas ina-update ang data?
Sa pagsusuring ito, gumagamit kami ng data na available sa publiko — partikular ang mga ulat sa banggaan ng Waymo na isinumite sa ilalim ng Standing General Order (SGO) ng NHTSA — para bigyang-daan ang iba pang researcher na i-replicate ang mga resulta. Ang datos na ipinapakita sa webpage na ito ay sumasailalim sa mga pare-parehong pag-update na naaayon sa mga timeline ng pag-uulat ng NHTSA SGO.
Bukod sa mga bagong datos na ilalathala, maaari naming i-update ang metodolohiyang ginagamit sa paghahambing sa pagitan ng serbisyong Waymo RO (Rider Only) at mga benchmark ng tao. Ang pinakamahuhusay na kagawian sa epekto sa kaligtasan ng retrospective ay ang umuunlad na agham. Kapag gumawa kami ng mga pagbabago sa pamamaraan, ipapaalam namin ang mga pagbabagong iyon at ang mga epekto ng mga ito sa mga resulta at pagbibigay ng kahulugan sa data. Para sa higit pang detalye, tingnan ang mga dokumento ng mga tala sa pag-release na available sa seksyong mga download.
2.4.2. Bakit kasama sa pag-download ng data ng Waymo SGO ang araw ng banggaan, lokasyon, at zip code?
Mahalagang suriin at unawain ang impormasyong ito para sa mga banggaan at hindi ito available sa NHTSA SGO. Walang zip code ang data pagkalipas ng Hunyo 2025, dahil inalis ang field na ito sa form sa pag-uulat ng NHTSA SGO (tingnan ang SGO amendment 3). Idinagdag ulit ang field ng zip code sa form sa pag-uulat ng SGO noong Setyembre 2025. May zip code ulit sa file ng pag-download ng data ang mga event sa SGO na iniulat pagkalipas ng Setyembre.
Pananaliksik sa Kaligtasan
Aktibo kaming nagsasagawa ng mga pag-aaral at naglalathala ng mga peer-reviewed na resulta sa aming mga pamamaraan sa kaligtasan, data ng performance, at higit pa
Download Data
Miles per Geo
Kabuuang milyang nilakbay sa bawat lokasyon (hanggang Disyembre 2025)
Download CSVCrashes with SGO identifier and group membership
Isang listahan ng mga kaso na may kasamang grupo ng kinalabasan at iba pang kaugnay na impormasyon tungkol sa banggaan (hanggang Disyembre 2025)
Download CSVCollision count and comparisons to benchmarks by outcome and location
Pinagsama-sama ayon sa kinalabasan at lokasyon (hanggang Disyembre 2025)
Download CSVGeographic distribution of benchmark and Waymo RO miles
Ang mga bilang ng pagbangga sa benchmark ng tao ay para sa iba’t ibang antas ng kinalabasan, milya ng nilakbay ng sasakyan ng tao (VMT), at milya ng Waymo RO na iniulat ng S2 cell hanggang Disyembre 2025. Maaaring gamitin ang impormasyong ito upang kopyahin ang mga dynamic na pagsasaayos ng benchmark.
Download CSVRelease Notes
A description of changes to the data and methodologies used on the data hub, links to historical data, and data dictionaries.
Download PDF