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.
While this data serves as retrospective validation of our performance on the road, the safety readiness of the Waymo Driver is evaluated through the comprehensive methodologies defined in our Safety Case.
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
Through June 2026, Waymo has driven 271.3M rider-only miles without a human driver
The Waymo Driver has hundreds 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.
Lieux | RO Miles through June 2026 |
|---|---|
Los Angeles | 67.098M |
Région de la baie de San Francisco | 82.421M |
Phoenix | 92.121M |
Austin | 21.064M |
Atlanta | 8.624M |
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.
Comparé à un conducteur humain moyen parcourant la même distance dans les villes que nous desservons, le conducteur Waymo a obtenu ces résultats :
Réduction globale des accidents
95% moins de blessures graves ou d'accidents plus graves (55 de moins)
82% moins de déploiements de coussins gonflables lors d'accidents de véhicules (357 de moins)
82% moins d'accidents causant des blessures (841 de moins)
Réduction des accidents impliquant des blessures chez les usagers de la route vulnérables
93% moins d'accidents impliquant des piétons et faisant des blessés (87 de moins)
86% moins d'accidents impliquant des cyclistes et faisant des blessés (56 de moins)
82% moins d'accidents impliquant des motos et faisant des blessés (36 de moins)
Waymo Driver compared to human benchmarks
Injuries and airbag deployments
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.
Only data from cities with sufficient Waymo miles for statistical comparisons are shown in these charts.
Serious Injury or Worse Crash Rates
| Location | Incidents per Million Miles (IPMM), Waymo | Incidents per Million Miles (IPMM), Benchmark |
|---|---|---|
| All Locations | 0.01 | 0.21 |
| Phoenix | 0.01 | 0.10 |
| San Francisco | 0.02 | 0.39 |
| Los Angeles | 0.00 | 0.15 |
| Austin | 0.00 | 0.17 |
| Atlanta Area | 0.00 | 0.22 |
Any-Injury-Reported Crash Rates
| Location | Incidents per Million Miles (IPMM), Waymo | Incidents per Million Miles (IPMM), Benchmark |
|---|---|---|
| All Locations | 0.67 | 3.77 |
| Phoenix | 0.56 | 1.95 |
| San Francisco | 0.67 | 6.71 |
| Los Angeles | 0.86 | 2.49 |
| Austin | 0.52 | 3.25 |
| Atlanta Area | 0.81 | 6.44 |
Airbag Deployment in Any Vehicle Crash Rates
| Location | Incidents per Million Miles (IPMM), Waymo | Incidents per Million Miles (IPMM), Benchmark |
|---|---|---|
| All Locations | 0.29 | 1.61 |
| Phoenix | 0.30 | 1.32 |
| San Francisco | 0.32 | 1.93 |
| Los Angeles | 0.28 | 1.23 |
| Austin | 0.24 | 2.32 |
| Atlanta Area | 0.23 | 2.77 |
Taux de déploiement des coussins gonflables lors des accidents de véhicules Waymo
| Location | Incidents per Million Miles (IPMM), Waymo | Incidents per Million Miles (IPMM), Benchmark |
|---|---|---|
| All Locations | 0.05 | 1.06 |
| Phoenix | 0.08 | 0.92 |
| San Francisco | 0.06 | 1.13 |
| Los Angeles | 0.00 | 1.00 |
| Austin | 0.05 | 1.95 |
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.
Only data from cities with sufficient Waymo miles for statistical comparisons are shown in these charts.
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 | -81.68% | -95.46% | -82.12% | -94.82% |
| Phoenix | -76.99% | -91.76% | -71.10% | -89.50% |
| San Francisco | -83.69% | -94.64% | -90.05% | -93.86% |
| Los Angeles | -77.06% | -100.00% | -65.25% | -100.00% |
| Austin | -89.76% | -97.57% | -83.94% | -100.00% |
| Atlanta Area | -91.62% | N/A | -87.39% | -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 | 41% |
| SF | 43% |
| PHX | 39% |
| LA | 40% |
| ATL | 42% |
| ATX | 34% |
Comparaison des performances des conducteurs Waymo avec celles des humains, selon le type d'accident
Ces graphiques montrent combien d’accidents RO (avec seulement des passagers) Waymo a eu en moins (quel que soit le responsable) par rapport aux conducteurs humains ayant le taux d’accidents de référence moyen s’ils devaient parcourir la même distance dans les zones où nous opérons. Les accidents ont été classés en 11 catégories et sont représentatifs de tous les lieux. Les données sont disponibles par ville dans la section téléchargement.
Les barres affichant une différence en pourcentage sont statistiquement significatives.
Déploiement des coussins gonflables lors de tout accident de véhicule
| Crash Type Group | Events (Benchmark) | Events (Waymo) |
|---|---|---|
| V2V LATERAL | 23 | 3 (-87%) |
| V2V INTERSECTION | 241 | 12 (-95%) |
| V2V HEAD-ON | 13 | 9 |
| V2V F2R | 57 | 34 (-41%) |
| SINGLE VEHICLE | 54 | 0 (-100%) |
| SECONDARY CRASH | 30 | 19 |
| ALL OTHERS | 9 | 2 (-79%) |
Accidents ayant fait des blessés
| Crash Type Group | Events (Benchmark) | Events (Waymo) |
|---|---|---|
| V2V LATERAL | 68 | 12 (-82%) |
| V2V INTERSECTION | 404 | 15 (-96%) |
| V2V F2R | 169 | 88 (-48%) |
| SINGLE VEHICLE | 72 | 2 (-97%) |
| SECONDARY CRASH | 55 | 23 (-59%) |
| PEDESTRIAN | 93 | 7 (-93%) |
| MOTORCYCLE | 43 | 8 (-82%) |
| CYCLIST | 65 | 9 (-86%) |
| ALL OTHERS | 20 | 3 (-85%) |
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. The “serious injury or worse” outcome uses police reports requested through public records requests. If a police report cannot be obtained by the time of publication, then such cases are marked as “unknown” status for the “serious injury or worse” category.
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.
Foire aux questions
1. Les résultats sont-ils fiables ?
1.1. Les résultats concernant l'impact sur la sécurité permettent-ils une comparaison équitable entre Waymo et la conduite humaine ?
1.1.1. Comment les recherches sur l'impact en matière de sécurité sont-elles conçues et réalisées ?
Bien que la comparaison des taux d'accidents se résume à 4 simples décomptes – accidents et kilomètres pour le système de conduite automatisée (ADS) et une valeur de référence – de nombreuses décisions concernant la conception de l'étude et les sources de données utilisées peuvent affecter le résultat. L'étude d'impact sur la sécurité est un outil largement utilisé dans la littérature sur la recherche en matière de sécurité des véhicules, depuis les progrès réalisés dans ce domaine, tels que le contrôle électronique de la stabilité et le freinage d'urgence automatisé. Les ADS qui sont responsables de l'ensemble de la tâche de conduite dynamique présentent des défis uniques, et par conséquent la liste de contrôle RAVE a été publiée comme un consensus des meilleures pratiques de recherche pour la recherche sur l'impact de la sécurité des ADS. La liste de contrôle, qui est en cours d'élaboration pour devenir une norme internationale, énonce les meilleures pratiques pour la réalisation d'études d'impact sur la sécurité des systèmes de défense aérienne, comme celles présentées sur le Safety Impact Data Hub. Les recherches qui sous-tendent le centre de données sur l'impact en matière de sécurité sont conçues pour se conformer à la liste de contrôle RAVE (voir l'annexe en ligne de Kusano et al., 2025, pour une évaluation de la conformité des méthodes aux exigences de la liste de contrôle RAVE).
1.1.2. Tous les accidents de Waymo sont-ils signalés ?
Les recherches de Waymo sur l'impact en matière de sécurité sont basées sur les rapports exigés par l'ordonnance générale permanente (SGO) de la National Highway Traffic Safety Administration (NHTSA). Tous les opérateurs de systèmes de conduite automatisée (SCA) (terme technique désignant les opérateurs de véhicules automatisés comme Waymo), y compris Waymo, doivent se conformer au SGO et signaler tous les accidents répondant aux exigences dans les délais de signalement spécifiés. La NHTSA est habilitée à enquêter et à prendre des mesures correctives si elle estime qu'il existe des incohérences dans les rapports SGO des opérateurs ADS. Le rapport du SGO exigences Inclure les accidents avec des dommages mineurs, ce qui constitue un seuil de déclaration plus bas (plus d'accidents mineurs sont inclus) que les bases de données traditionnelles sur les accidents signalés à la police et aux assurances. Tous les accidents où des blessures auraient été constatées ou où un coussin gonflable s'est déclenché, qui sont les résultats sur lesquels se concentrent les données du centre d'analyse de l'impact sur la sécurité, doivent être signalés dans le cadre du SGO. Par conséquent, compte tenu des exigences strictes en matière de rapports et des politiques opérationnelles de la flotte de Waymo, il est très improbable que des accidents ayant entraîné les résultats rapportés sur la plateforme de données se soient produits sans être inclus. Pour référence, les rapports de la NHTSA (Blincoe, et al., 2023) que la sous-déclaration des accidents de véhicules conduits par des humains représente 69,7% des accidents avec dommages matériels et 31,9% des accidents avec blessures. Le système de rapports de Waymo répertorie tous les accidents connus détectés par un ensemble de capteurs très performants, offrant ainsi un compte rendu plus complet.
Étant donné que Waymo utilise les données rapportées par la police pour établir ses points de référence, seuls les accidents où le véhicule Waymo est transporté et contacté pendant l'accident sont inclus dans la comparaison avec les données de référence. Dans les données transmises par la police, les véhicules qui ne sont pas impliqués dans une collision ne sont pas comptabilisés dans les données relatives à l'accident. Par conséquent, comparer les accidents Waymo signalés dans le SGO où il n'y a pas eu de contact avec le véhicule Waymo (mais qui peuvent être signalés dans le cadre du SGO en raison d'une contribution présumée à l'accident) surestimerait le taux d'accidents Waymo par rapport au taux d'accidents réel. De même, le véhicule Waymo est parfois stationné dans une place de stationnement valide, prêt à servir les clients ultérieurement. Le logiciel ADS est actif, mais le véhicule est stationné et se trouve dans un emplacement de stationnement valide (soit un emplacement marqué, soit à moins de 45 cm d'un trottoir pour le stationnement sur rue). Dans les données des rapports de police, les véhicules stationnés comme ceux-ci ne sont pas non plus inclus dans le décompte des véhicules (les véhicules stationnés sont considérés comme des objets fixes).
1.1.3. Les données Waymo et les données humaines mesurent-elles les mêmes résultats ?
L'harmonisation des données relatives aux accidents impliquant des systèmes de conduite automatisée (SCA) et des accidents impliquant des conducteurs humains est essentielle pour une comparaison équitable, et une étape importante de cette harmonisation consiste à définir de manière cohérente ce qu'est un « accident ». Les recherches de Waymo sur l'impact en matière de sécurité s'appuient sur des études d'évaluation de la sécurité antérieures pour sélectionner les types d'accidents les plus facilement identifiables à la fois dans les données des SCA et dans les données humaines. Les bases de données des rapports de police constituent la source de données la plus répandue et la plus fiable concernant les accidents impliquant des personnes. Tous les accidents impliquant des personnes ne sont pas signalés à la police, surtout les accidents mineurs. Les accidents plus graves qui entraînent le déploiement des coussins gonflables ou des blessures (qu'il s'agisse de blessures graves ou pire, ou de blessures de tout degré) sont plus pertinents pour évaluer la sécurité que ceux qui n'entraînent que de faibles dommages matériels.
Même si nous estimons que les blessures graves, voire mortelles, le déploiement des coussins gonflables et les accidents ayant entraîné des blessures sont plus pertinents pour évaluer la sécurité que les accidents n'ayant causé que de légers dommages matériels, nous continuons de suivre et de signaler ces taux de collisions mineures par rapport aux données de référence disponibles dans la section téléchargements du site Web du centre de données (par exemple, les accidents ayant entraîné des dommages matériels ou des blessures et les accidents signalés à la police).
1.1.4. La comparaison tient-elle compte des différentes conditions de conduite, comme les conditions météorologiques ?
La recherche sur l'impact de la sécurité de Waymo utilise plusieurs approches pour aligner les conditions de conduite entre la référence humaine et la conduite Waymo: (a) en utilisant des données humaines provenant des comtés où Waymo opère et (b) un ajustement de référence dynamique basé sur la localisation. La conduite est différente d'une ville à l'autre, et toutes les routes ou conditions de conduite ne présentent pas le même niveau de risque. Pour saisir le risque d'accident local, les recherches de Waymo sur l'impact de la sécurité utilisent des sources de données sur les accidents et les kilomètres parcourus par les véhicules (VMT) gérées par l'État et limitées aux comtés où Waymo opère actuellement. Même au sein d'un même comté, le taux d'accidents de la route varie selon la partie du comté où l'on conduit. En général, les zones urbaines plus denses ont des taux d'accidents plus élevés que les régions moins densément peuplées. Pour saisir cet effet, les résultats d'impact sur la sécurité de Waymo utilisent un ajustement dynamique de référence qui pondère la référence humaine proportionnellement aux kilomètres parcourus par le service Waymo dans chaque zone (voir Kusano et al., 2025 et Chen et al., pour en savoir plus. En comparant la conduite Waymo à une conduite de référence depuis les mêmes lieux, de nombreux effets des conditions de conduite sont implicitement pris en compte. Nos recherches ont montré que les taux d'accidents varient considérablement selon la situation géographique, c'est pourquoi nous déconseillons d'utiliser une moyenne nationale de référence pour comparer la conduite de Waymo.
Un meilleur alignement des taux d'accidents de référence avec l'environnement de conduite de Waymo grâce aux données d'accidents locales et à l'ajustement dynamique tient compte de nombreux facteurs, mais pas de tous, susceptibles d'affecter le risque d'accident. Par exemple, les villes où Waymo opère actuellement ne connaissent pas de chutes de neige importantes, et par conséquent, ni les données de référence de Waymo ni les données de référence humaines n'incluent ce type de conditions météorologiques défavorables. Chen et al. (2025) ont constaté que l'heure de la journée influe sur les taux d'accidents (les taux d'accidents tard dans la nuit sont généralement plus élevés que pendant la journée). Le principal obstacle à la prise en compte d'un plus grand nombre de facteurs lors de l'alignement des données de référence et des données Waymo est souvent le manque de données sur l'exposition à la conduite humaine. Par exemple, les données VMT utilisées pour effectuer l'analyse comparative dynamique sont fournies sous forme de moyenne annuelle, elles ne peuvent donc pas être utilisées pour tenir compte de l'heure de la journée. Nous étudions d'autres sources de données qui pourraient nous aider à fournir des données humaines afin d'aligner davantage les données de référence et les données Waymo.
1.1.5. Pourquoi la comparaison utilise-t-elle seulement des conducteurs humains de la zone d'activité de Waymo dans le cadre de ce test de référence ?
Les résultats du centre de données sur l'impact en matière de sécurité comparent les performances de Waymo en matière de collisions à celles de la flotte actuelle de conducteurs humains dans les zones où Waymo opère, en utilisant les meilleures pratiques pour harmoniser les données de collision de Waymo et celles des conducteurs humains. Cette comparaison répond à la question de recherche suivante : « Quel est l'effet de la conduite de Waymo sur le statu quo ? » » Ce type de question de recherche est la question la plus fondamentale que se posent les chercheurs lorsqu'une nouvelle technologie de véhicule est développée et déployée (par exemple, le freinage d'urgence automatisé, le contrôle électronique de stabilité). Ce type de comparaison avec la situation actuelle démontre le potentiel d'une technologie automobile pour améliorer la sécurité routière.
D'autres recherches menées par Waymo ont porté sur la comparaison avec d'autres populations. Par exemple, dans des recherches antérieures et nos méthodologies prospectives de détermination de la sécurité examinant nos performances d'évitement des collisions, nous comparons facilement les performances du conducteur Waymo à celles d'un conducteur « non affaibli et attentif au conflit (NIEON) ». Il existe des défis méthodologiques liés à la création d'une version comparable de ce référentiel en termes de taux d'accidents, car la quantité exacte de VMT pour un conducteur de type « NIEON » n'est pas facilement disponible pour quantifier les référentiels, principalement parce que les conducteurs humains ne sont pas toujours dans un état NIEON lorsqu'ils conduisent.Dans d'autres travaux de Swiss Re en collaboration avec Waymo ( dans l'évaluation par les pairs Les taux de réclamations de Waymo auprès de tiers ont été comparés à ceux des conducteurs humains conduisant des véhicules de dernière génération. Cela représente un autre sous-ensemble, plus performant, de véhicules conduits par des humains, car les véhicules de dernière génération disposent généralement de dispositifs de sécurité améliorés.
Une autre comparaison potentiellement instructive pourrait être celle avec d'autres types de chauffeurs, comme les taxis ou les services de covoiturage. Aujourd'hui, il n'existe aucune source de données accessible au public (et donc vérifiable indépendamment) permettant de quantifier les accidents et le VMT pour ces populations spécifiques sur un large éventail de résultats, comme c'est le cas pour les rapports de police généraux et les bases de données publiques sur le VMT.Un autre critère de référence qui pourrait représenter une attente de progrès pourrait être celui des conducteurs non sous influence. Bien que cette comparaison puisse s'avérer utile, elle ne permet pas d'évaluer la réduction du taux d'accidents actuel. À l'instar des taux relatifs aux populations spécifiques, il est difficile de produire une estimation locale du nombre d'accidents et du nombre de kilomètres parcourus en état d'ivresse. Ce sont là des domaines de recherche complexes mais précieux, qui méritent d'être approfondis à mesure que de nouvelles sources de données deviennent disponibles.
1.1.6. Pourquoi Waymo subit-elle un maximum de blessures pendant toute la séquence de l'écrasement ?
Les conséquences des blessures peuvent être mesurées de différentes manières. Nous ne voulions pas que notre analyse se concentre excessivement sur les occupants du véhicule Waymo, car cela pourrait sous-estimer l'impact de Waymo sur la sécurité en cas d'accidents blessant des personnes à l'extérieur du véhicule. Nous avons donc opté pour un critère d'évaluation des conséquences de l'accident, qui tient compte de la blessure maximale subie par toute personne impliquée tout au long de la séquence de l'accident. L'attribution d'un score maximal de gravité des blessures en cas d'accident est une pratique courante dans la recherche sur la sécurité automobile, et figure souvent directement dans les rapports de police comme champ de saisie.
1.2. Waymo a-t-il parcouru suffisamment de kilomètres pour tirer des conclusions fiables (signification statistique) ?
Il peut sembler que les kilomètres parcourus par Waymo (des centaines de millions de kilomètres) semblent insignifiants comparés aux milliards de kilomètres parcourus dans les villes où Waymo opère, ou aux milliards de kilomètres parcourus chaque année dans l'ensemble des États-Unis. Cependant, lorsqu'on compare les taux de deux populations, les conclusions qu'on peut tirer des données sont régies par ce qu'on appelle puissance statistique. La question à laquelle répond le Safety Impact Data Hub est la suivante : les taux d’accidents de Waymo et les taux de référence sont-ils différents ? Les données d'entrée de ce calcul sont le nombre d'accidents et le nombre de kilomètres parcourus par Waymo, ainsi que les populations de référence, et sont modélisées à l'aide d'une distribution de Poisson, la distribution la plus courante pour le traitement des données de comptage.
Un exemple de ce problème serait d'examiner le nombre d'étudiants qui échouent à un examen. Dans un district scolaire, supposons que 300 élèves sur 1 000 qui passent le même test ne réussissent pas (3 ne réussissent pas pour 10 candidats). On pourrait se demander si une classe A de 20 élèves a obtenu des résultats différents de ceux de l'ensemble de la population à ce test (notez que, pour les besoins de cet exemple simplifié, nous supposons que la réussite ou l'échec au test est indépendant de l'appartenance à la classe A). Supposons que dans la classe A, 10 élèves sur 20 n'aient pas réussi l'examen (5 échecs pour 10 candidats). Le taux d'échec de la classe A est le double de celui du district scolaire. Cependant, lorsque nous utilisons un intervalle de confiance de Poisson, le taux d'échec dans la classe de 20 élèves n'est pas statistiquement différent de la moyenne du district scolaire au niveau de confiance de 95 %. Si on compare plutôt la classe A à l'ensemble de l'État de 100 000 élèves (avec le même taux d'échec de 3 pour 10 candidats, soit 30 000 sur 100 000 à ne pas réussir), les intervalles de confiance à 95% de cette comparaison sont presque identiques à la comparaison avec le comté (300 sur 1 000 candidats). Cela signifie que, pour cette comparaison, l'incertitude liée au petit nombre d'observations dans la classe A (seulement 20 élèves) est beaucoup plus grande que l'incertitude liée à la population plus large. Prenons une autre classe, la classe B, où seulement 1 élève sur 20 n'a pas réussi le test (0,5 échec pour 10 candidats). Lors de l'application des intervalles de confiance à 95 %, cette classe B fait présentent un taux de réussite statistiquement différent de la moyenne du comté (ainsi que par rapport à la province). Cet exemple montre que lorsqu'on compare les taux d'événements dans deux populations où l'une est beaucoup plus grande que l'autre (mesurée par le nombre de personnes ayant passé le test ou par le nombre de kilomètres parcourus), les deux éléments qui déterminent la signification statistique sont: (a) le nombre d'observations dans la population la plus petite (plus d'observations = signification plus tôt) et (b) des différences plus importantes dans les taux d'occurrence (différence plus importante = signification plus tôt).
Considérons maintenant une autre expérience avec les données de Waymo. Considérez la figure ci-dessous qui maintient le nombre de déploiements d'airbags Waymo dans les accidents de véhicules (34) et le VMT (71,1 millions de milles) constants tout en supposant différents ordres de grandeur de kilomètres parcourus dans la population humaine de référence (taux de référence de 1,649 incidents par million de milles avec 17,8 milliards de milles parcourus). Selon les estimations, Waymo enregistre 71% de plantages en moins que la moyenne. Les intervalles de confiance (aussi appelés barres d'erreur) indiquent l'incertitude de cette réduction à un niveau de confiance de 95 % (95% de confiance est la norme dans la plupart des tests statistiques). Si les barres d'erreur ne dépassent pas 0%, cela signifie que, d'un point de vue statistique, nous sommes sûrs à 95% que le résultat n'est pas dû au hasard, ce qu'on appelle aussi la signification statistique. Cette « simulation » montre l'effet sur la signification statistique de la variation du VMT de la population de référence. Cette comparaison serait statistiquement significative même si la population de référence avait parcouru moins de kilomètres que la population Waymo (10 millions de kilomètres). De plus, tant que la distance parcourue par l'homme dépasse 100 millions de kilomètres, il n'y a pratiquement aucune différence perceptible dans les intervalles de confiance de la comparaison. Cela signifie que les comparaisons dans les grandes villes américaines (basées sur des milliards de kilomètres) ne sont pas différentes, d'un point de vue statistique, d'une comparaison avec l'ensemble des déplacements annuels en voiture aux États-Unis (des milliards de kilomètres). Tout comme dans l'exemple du test scolaire, Waymo a parcouru suffisamment de kilomètres (des dizaines, voire des centaines de millions de kilomètres) et les réductions sont suffisamment importantes (réductions de 70 % à 90 %) pour qu'une signification statistique puisse être atteinte.
1.3. Votre méthodologie a-t-elle fait l'objet d'un examen par les pairs ou d'une validation externe ?
Cette analyse s'appuie sur la méthodologie et les repères humains introduits dans Scanlon et al. (2024), Kusano et al. (2024) et Kusano et al. (2025)
Ces articles de recherche ont été publiés dans des revues scientifiques à comité de lecture.
Citations
Scanlon, J. M Kusano, K. J Fraade-Blanar, L. A. McMurry, T. L1 Chen, Y. 2ᵉ semestre 2025 & Victor, T. (2024). Points de référence pour l'analyse rétrospective du taux d'accidents des systèmes de conduite automatisée à partir des données d'accidents rapportées par la police. Prévention des blessures liées à la circulation, 25(sup1), S51-S65.
Kusano, K. J Scanlon, J. M Chen, Y. 2ᵉ semestre 2025 McMurry, T. L1 Chen, R., Gode, T., & Victor, T. (2024). Comparaison des données d'accidents impliquant uniquement les utilisateurs de Waymo avec les données de référence humaines sur une distance de 7,1 millions de miles. Prévention des blessures liées à la circulation, 25(sup1), S66-S77.
Kusano, K. J Scanlon, J. M Chen, Y. 2ᵉ semestre 2025 McMurry, T. L1 Gode, T., & Victor, T. (2025). Comparaison des taux d'accidents impliquant uniquement des passagers Waymo, par type d'accident, avec les données de référence humaines sur 56,7 millions de miles. Prévention des blessures liées à la circulation, 26(sup1), S8–S20. https://doi.org/10.1080/15389588.2025.2499887.
The peer review process has stood as the gold standard for publishing research. The peer review process is where a research paper is submitted to a journal and anonymous researchers with expertise in the area of research review and suggest improvements to the paper. This process requires the research to be described in sufficient detail to reproduce the results, and that the conclusions of the research be supported by the results. The methods used on the Safety Impact Data Hub are the same as in the peer reviewed papers, which provides a level of transparency in the methods. As is customary in academic publishing, we also often release pre-prints of the publications while the articles are undergoing peer review, a current best practice, with the goal of disseminating our work and inviting comment from the scientific community.
1.4. Les données brutes sont-elles accessibles aux chercheurs ?
Oui, les résultats affichés sur le centre de données peuvent être reproduits à l'aide de données accessibles au public. Comme nous l'avons écrit à la section 1.1.2, tous les décomptes d'accidents de Waymo sont basés sur les événements signalés dans le cadre de l'ordonnance générale permanente (SGO) de la NHTSA. De plus, les données brutes utilisées pour générer toutes les statistiques sur le concentrateur de données sont fournies sous forme de téléchargements de fichiers CSV – permettant à tout chercheur ou autre tiers de reproduire et de vérifier les résultats. Cela inclut le nombre de kilomètres parcourus dans chaque lieu (CSV1), l'identification du cas SGO et les catégories de résultats pour chaque cas inclus dans l'analyse (CSV2), les comparaisons avec les taux d'accidents de référence agrégés par lieu, résultat et type d'accident (CSV3) et les kilomètres parcourus dans les lieux géographiques de la ville utilisés pour l'ajustement dynamique de l'emplacement (CSV4). Les méthodes utilisées dans le centre de données sont basées sur des articles évalués par des pairs et en libre accès (voir la question 1.3 pour les citations).
1.5. Pourquoi les résultats sont-ils présentés en nombre de véhicules accidentés par kilomètre ?
Le taux de véhicules accidentés, ou taux au niveau du véhicule, est calculé en comptant le nombre de véhicules impliqués dans des accidents à un certain niveau de résultat et en divisant par le VMT au niveau de la population. Pour les accidents de Waymo, le taux de véhicules accidentés est calculé comme le nombre de véhicules Waymo impliqués dans des accidents avec un niveau de résultat donné divisé par le nombre total de kilomètres parcourus par Waymo en mode passager seulement (RO). Pour la valeur de référence, il s'agit du nombre total de véhicules impliqués dans des accidents d'une certaine issue, selon les données des rapports de police, divisé par le nombre total de VMT (véhicules-kilomètres parcourus).
Une autre mesure disponible est le taux d'accidents (c'est-à-dire le nombre d'accidents par habitant VMT). Pour illustrer pourquoi l'utilisation d'un critère de référence au niveau des accidents pour comparer le taux au niveau des véhicules d'une flotte de systèmes de conduite automatisée (SCA) crée une inadéquation des unités qui pourrait mener à des conclusions incorrectes, il est utile d'utiliser un exemple hypothétique et simple. Considérons une population de référence qui contient deux véhicules qui parcourent tous deux 100 milles avant de se percuter (2 véhicules accidentés, 1 accident, population VMT de 200). Le taux d'accidents est de 0,5 accident pour 100 miles (1 accident / 200 miles), tandis que le taux de véhicules est de 1 véhicule accidenté pour 100 miles (2 véhicules accidentés / 200 miles). Cela revient à établir des points de référence à partir des données d'accidents issues des rapports de police, où l'on compte en moyenne 1,8 véhicule impliqué dans chaque accident, et des données VMT où le VMT est estimé pour l'ensemble des véhicules. Considérons maintenant une deuxième population ADS qui possède un véhicule parcourant également 160 kilomètres avant d'être impliquée dans une collision avec un véhicule qui ne fait pas partie de cette population. Cette situation est semblable à la façon dont les données sont recueillies pour les flottes ADS. Le kilométrage total parcouru par la flotte ADS est enregistré, ainsi que les accidents impliquant un véhicule ADS. Pour la flotte ADS, le taux de véhicules accidentés (au niveau du véhicule) est de 1 véhicule accidenté pour 100 miles. Si une analyse compare incorrectement le taux de référence d'accidents de 0,5 accident pour 100 milles au taux d'accidents de véhicules ADS de 1 véhicule accidenté pour 100 milles, la conclusion serait que la flotte ADS a un taux d'accidents 2 fois supérieur au taux de référence. En réalité, dans cet exemple, le taux d'accidents du système ADS de 1 véhicule accidenté pour 100 milles n'est pas différent du taux de référence des véhicules accidentés, dans lequel un conducteur individuel d'un véhicule était impliqué dans 1 accident pour 100 milles parcourus.
Cette erreur, qui consiste à comparer un taux d'accidents à un taux par véhicule, est facile à commettre lorsqu'on utilise des statistiques agrégées, car les statistiques sommaires fournies par les organismes de recherche indiquent souvent le nombre d'accidents plutôt que le nombre de véhicules impliqués dans les accidents. Par exemple, Scanlon et al. (2024) On a recensé, à l'échelle nationale, 5 930 496 accidents de la route signalés par la police en 2022, impliquant 10 528 849 véhicules accidentés. Le total national de kilomètres parcourus en voiture (VMT) pour 2022 était de 3,2 billions de kilomètres. Cela signifie que le taux d'accidents aux États-Unis est de 1,9 accident par million de miles, tandis que le taux par véhicule est de 3,3 véhicules accidentés par million de miles.
Un autre indicateur couramment utilisé en matière de sécurité routière est le nombre de personnes blessées par VMT (c'est-à-dire un taux au niveau de la personne). En tant que mesure du fardeau des accidents à l'échelle de la population, un taux par personne est pertinent. Plusieurs problèmes pratiques et d'interprétation font qu'un taux individuel n'est pas une mesure idéale pour comparer une population à une autre, comme cela se fait dans le Safety Impact Data Hub. Le taux individuel pour une flotte de systèmes de conduite autonome (ADS) opérant dans un trafic mixte semblera diminuer à mesure que la taille de la flotte (ou la pénétration) augmente, même si le taux d'implication dans les accidents reste le même. Étant donné que les accidents impliquent souvent plusieurs véhicules, plus la taille de la flotte est importante, plus il est probable que plusieurs véhicules ADS soient impliqués dans un accident, ce qui diminuerait le taux au niveau de la personne (même nombre de personnes impliquées dans l'accident, plus de VMT). Cela signifie qu'au début des tests, le taux au niveau individuel de la flotte ADS semblerait supérieur à la valeur de référence, même si l'ADS était impliqué dans un nombre d'accidents semblable à celui de la population de référence. Pour corriger ce biais, on pourrait calculer un taux fractionnaire au niveau de la personne, défini comme le nombre total de personnes impliquées dans un accident avec un résultat donné, divisé par le nombre de véhicules impliqués dans l'accident. Bien que ce taux fractionnaire au niveau individuel corrige le biais lié à l'utilisation de plusieurs véhicules, il crée un biais différent dans l'interprétation des résultats. Le taux d'accidents par personne pondéré différemment les accidents impliquant peu de véhicules par rapport à ceux impliquant plusieurs véhicules. Il existe également une limite pratique : l’ordonnance générale permanente de la NHTSA, la source la plus complète d’accidents impliquant des systèmes de conduite autonome, ne signale que la gravité maximale des blessures lors de l’accident et non le nombre d’occupants blessés à des niveaux de gravité donnés. Il n'est donc pas possible de calculer un taux individuel à partir des données SGO actuelles. Cette limitation s'applique également à certaines bases de données d'accidents d'État, où seule la gravité maximale est signalée. En raison des biais potentiels d'interprétation et des limites de déclaration, un taux au niveau du véhicule est préférable à un taux au niveau de la personne lors de la comparaison des taux d'accidents ADS et des taux d'accidents de référence.
1.6. Quelle est la différence entre le nombre d'accidents par kilomètre et la distance entre les accidents ?
Mathématiquement, le nombre d'accidents par mille et la distance entre les accidents sont inversement proportionnels (c'est-à-dire que pour obtenir une distance entre un certain nombre d'accidents par mille et une certaine distance entre les accidents, il suffit de diviser 1 par le taux). Cependant, il y a des raisons importantes qui Les taux d'accidents doivent être présentés comme des accidents par kilomètre., tel qu'indiqué dans le liste de vérification RAVE recommandations. La raison est que le nombre d'accidents par kilomètre a une relation linéaire avec le nombre d'événements, tandis que l'inverse du nombre de kilomètres entre les accidents a une relation non linéaire. Cette relation non linéaire rend plus difficile la comparaison des variations de taux. Des difficultés similaires ont été constatées dans d'autres mesures comme l'efficacité énergétique du véhicule (miles par gallon contre gallons par 100 milles).
Comme indiqué dans la liste de contrôle RAVE : « Considérez un ADS qui a un taux de kilomètres par incident de 1 million de kilomètres par accident par rapport à une référence de 750 000 kilomètres par accident. Un autre système ADS présente un taux d'accidents de 500 000 milles, contre une valeur de référence de 250 000 milles par accident. Dans les deux cas, la différence de kilomètres parcourus par accident est de 250 000, ce qui donne l’illusion que la différence de performance est similaire. Contrairement à cela, la première comparaison montre un ADS qui réduit le nombre d'accidents par mille de 25% (1 IPMM contre 1,33 IPMM), tandis que le second réduit le nombre d'accidents par mille de 50% (2 IPMM contre 4 IPMM). Étant donné que les taux d'incidents par unité d'exposition sont linéairement proportionnels au nombre d'événements et que les taux d'unités d'exposition par incident ne sont pas liés linéairement, il n'est pas évident que les taux relatifs soient plus difficiles à comparer.
Figure 2 from RAVE checklist
2. Que signifient ces résultats?
2.1. Quelles conclusions pouvez-vous tirer des conclusions concernant l'impact sur la sécurité ?
2.1.1. Ces données signifient-elles que le chauffeur Waymo est plus sécuritaire que les humains ?
L'étude montre que le Waymo Driver est plus sécuritaire que l'ensemble des conducteurs humains dans les mêmes zones géographiques où il opère, si l'on se base sur le nombre d'accidents d'une gravité donnée par kilomètre parcouru. Les recherches ont porté sur la comparaison des performances de sécurité du Waymo Driver avec celles de l'ensemble des véhicules conduits par des humains dans la même zone géographique. Le taux d'accidents humains peut être considéré comme le « statu quo » de la conduite dans cette zone. Cette comparaison est utilisée dans l'analyse d'impact sur la sécurité pour déterminer l'efficacité de l'introduction de la technologie de Waymo par rapport à la situation actuelle.
Le taux global d'accidents impliquant des conducteurs humains est courant et rendu possible grâce aux pratiques de collecte de données établies de longue date et quasi universellement présentes aux États-Unis et dans une grande partie du monde.Il existe un historique solide justifiant l'examen des tendances annuelles et des défis systémiques auxquels sont confrontées des populations de conducteurs réparties sur des zones géographiques entières. Bien que les données relatives aux accidents offrent un aperçu de divers sous-ensembles performants (par exemple, des facteurs comme le type de véhicule ou l'intoxication du conducteur), les données VMT correspondantes manquent généralement d'une granularité aussi fine pour une analyse détaillée. Par exemple, pour pouvoir comparer les taux d'accidents en fonction de facteurs comme l'intoxication au volant, il faudrait connaître le kilométrage parcouru par les conducteurs en état d'ébriété ou l'estimer. On a consacré beaucoup moins d'efforts à isoler des sous-ensembles spécifiques de conducteurs pour une analyse complète des risques d'accident.
2.1.2. Les résultats concernant l'impact sur la sécurité signifient-ils que Waymo est « suffisamment sécuritaire » ?
Bien qu'une réduction statistiquement significative représente un avantage en matière de sécurité (c'est-à-dire qu'il y a moins d'accidents), une affirmation concernant la « sécurité suffisante » est faite par le biais du cadre de sécurité et du dossier de sécurité de Waymo avant la publication d'une configuration ADS. L'objectif de l'analyse d'impact sur la sécurité n'est pas de déterminer ce qui constitue ou non un niveau de sécurité raisonnable pour un système de conduite automatisée. Waymo utilise son Cadre de sécurité pour déterminer l'état de préparation en matière de sécurité selon lignes directrices d'approbation pour une version candidate de logiciel donnée. De plus, une analyse indépendante de la pertinence d’un tel processus est menée dans le cadre du dossier de sécurité. Un dossier de sécurité est une manière formelle d'expliquer comment un développeur de systèmes de conduite autonome (ADS) détermine que son système est suffisamment sécuritaire pour être déployé sur les routes publiques sans conducteur humain. Le dossier de sécurité comprend des éléments de preuve permettant de déterminer formellement l'absence de risque déraisonnable. Cela implique une explication du système, des méthodologies et des indicateurs utilisés pour le valider, ainsi que les résultats concrets des tests de validation. À l'inverse, les données rétrospectives fournies par le Safety Impact Data Hub jouent un rôle de validation post-déploiement pour le cadre de sécurité et l'analyse de sécurité. Ce cycle de renforcement continu de la confiance dans le cadre de sécurité et les processus d'analyse de sécurité renforce également la confiance dans le fait que le processus produira des résultats similaires en matière d'impact sur la sécurité à mesure que Waymo s'étend à de nouvelles zones.
2.1.3. En quoi les performances de Waymo varient-elles selon les différentes versions logicielles et matérielles ?
La plupart des recherches sur l'impact en matière de sécurité utilisent les accidents survenus sur tous les kilomètres parcourus par les seuls conducteurs (RO) accumulés à ce jour. Le nombre de kilomètres parcourus par Waymo a considérablement augmenté au fil du temps, de sorte que les données les plus récentes représentent une proportion plus importante des kilomètres parcourus par Waymo que les données plus anciennes. À l'instar de la FAQ sur « pourquoi les comparaisons entre la conduite de Waymo en mode passager seulement et les taux d'accidents de référence ne sont-elles pas divisées en plus de catégories ? » , le fait de diviser les kilomètres parcourus en portions plus petites réduit la puissance statistique de l'analyse, ce qui est une limite courante observée dans d'autres domaines critiques pour la sécurité.
Le regroupement de plusieurs versions de logiciels, voire de données provenant de différents fabricants, est une pratique courante dans les études d'impact sur la sécurité effectuées sur les anciens systèmes de sécurité. Par exemple, les recherches de l'Insurance Institute for Highway Safety et de Consortium PARTS Ils analysent souvent une technologie comme le freinage d'urgence automatique ou la prévention des sorties de voie et regroupent plusieurs fabricants pour déterminer l'impact global de cette technologie. De même, l'étude d'impact sur la sécurité de Waymo montre l'impact global du Waymo Driver. À mesure que le kilométrage parcouru augmente, il devient possible d'étudier l'impact de Waymo sur la sécurité sur des périodes plus courtes.
Les recherches de Waymo sur l'impact en matière de sécurité s'efforcent de répondre à la question de recherche suivante : « Quel est l'impact de Waymo sur la sécurité par rapport aux taux d'accidents actuels des véhicules conduits par des humains ? » » (le statu quo). Une question légèrement différente, mais tout aussi importante, est la suivante : « Comment Waymo s’assure-t-elle de la sécurité de ses nouvelles versions logicielles et matérielles ? » Pour répondre à cette question, Waymo a mis au point un système de sécurité. Cadre de sécurité et Approche de l'analyse de sécurité . En résumé, ils évaluent les performances de Waymo sur chaque nouvelle configuration candidate en utilisant une série de méthodologies qui couvrent l'architecture du véhicule, le comportement de conduite et les couches opérationnelles par rapport aux critères d'acceptation.
2.1.4. Quel est l'impact de Waymo sur les accidents mortels ?
Waymo a publié un large éventail de données de référence, notamment sur les accidents mortels, qui seront utilisées lors des évaluations futures. Actuellement, le volume de kilomètres parcourus par Waymo (VMT) est insuffisant pour détecter une signification statistique dans les zones que nous parcourons, et par conséquent, nous ne séparons pas cette catégorie (décès uniquement) dans nos rapports. Le Waymo Driver est également conçu de manière intrinsèque pour atténuer ou éliminer les principales causes de collisions mortelles selon les dernières données de la NHTSA: excès de vitesse, conduite sous influence ou distraction, et passagers non attachés. La catégorie « blessure grave ou pire » inclut à la fois les blessés graves et les décès. Toutes les autres catégories de résultats d'accidents incluent également les décès.
L'approche de Waymo consistait à (a) publier de manière proactive des points de référence, une méthodologie et des perspectives d'analyse, (b) effectuer des évaluations sur ces points de référence établis lorsque des analyses de puissance précédemment réalisées indiquent qu'une signification peut être détectée, et (c) publier les résultats sur notre plateforme de données et dans des publications scientifiques.
Comme cela a été le cas pour de nombreuses innovations en matière de sécurité dans l'histoire de la sécurité automobile, il existe d'autres moyens de déterminer le potentiel d'une technologie avant son déploiement à grande échelle et l'accumulation de kilomètres. Par exemple, notre recherche research qui a reconstitué des accidents mortels impliquant des conducteurs humains à Chandler, en Arizona, a révélé que le Waymo Driver a évité 100% des accidents mortels simulés lorsqu'il était l'initiateur, et 82% des collisions même lorsqu'il était le répondant. Ce type d'étude, combiné au processus de détermination de l'état de préparation en matière de sécurité de Waymo, démontre que le Waymo Driver possède un potentiel énorme pour réduire les blessures graves et mortelles.
2.1.5. Quelle est la différence entre un taux d'accidents « avec blessures graves ou pire » et un taux d'accidents « avec décès, quelle qu'en soit la raison » ?
Dans le domaine de la recherche sur la sécurité automobile, blessures à un certain niveau ou plus sont couramment étudiées. Dans le cadre de notre analyse, l’expression « blessure grave ou pire » inclut à la fois les blessures graves présumées (désignées comme blessures de niveau « A » ou blessures invalidantes sur l’échelle KABCO utilisée dans les rapports de police aux États-Unis) et les blessures mortelles (désignées comme blessures de niveau « K » sur l’échelle KABCO). Waymo a publié des benchmarks qui incluent les crashs de niveau « K », tout décès, comme sa propre catégorie. Ce résultat n'est pas actuellement répertorié dans le Centre de données sur l'impact en matière de sécurité, mais nous prévoyons de l'ajouter ultérieurement.
Si nous considérions uniquement les « blessures graves » (seulement les blessures de niveau « A »), nous pourrions potentiellement introduire un type de biais d’exclusion. Par exemple, si un traitement n'entraînait que des décès et très peu de blessures graves suspectées, on pourrait conclure à tort que ce traitement est beaucoup plus sûr qu'il ne l'est réellement, car les blessures « mortelles » ne seraient pas comptabilisées. En ajoutant la stipulation « à un niveau égal ou supérieur », on évite cette erreur potentielle.
2.2. Y a-t-il d'autres facteurs non pris en compte dans l'étude d'impact sur la sécurité qui pourraient affecter l'interprétation des résultats ?
2.2.1. Waymo est-il vraiment autonome si des humains doivent occasionnellement fournir une assistance à distance ?
L'étude d'impact sur la sécurité de Waymo examine la différence des taux d'accidents entre les véhicules Waymo et les conducteurs humains qui circulent dans des zones comparables. L'assistance à distance permet au conducteur Waymo de contacter un agent humain pour obtenir des informations supplémentaires afin de mieux comprendre son environnement dans certaines situations difficiles ou inhabituelles. L'assistance à distance fait partie intégrante de la conception du Waymo Driver depuis ses débuts, et c'est en partie grâce à elle que Waymo a pu développer ses opérations en toute sécurité. Le programme d'assistance à distance de Waymo a reçu un audit indépendant par un tiers cela montre qu'elle est conforme aux meilleures pratiques du secteur dans ce domaine et qu'elle est effectivement autonome selon les meilleures pratiques de l'industrie ( 1 , 2 ).
2.2.2. Les véhicules autonomes peuvent-ils gérer toutes les situations difficiles auxquelles les humains font face tout au long de leur vie ?
Le chauffeur Waymo parcourt actuellement des millions de kilomètres par semaine. Le Waymo Driver possède l'expérience cumulée de centaines de vies humaines de conduite, si l'on tient compte des kilomètres parcourus sur route et en simulation. À cette échelle, de nombreuses situations problématiques, comme des piétons surgissant soudainement derrière une voiture stationnée ou un autre véhicule grillant un feu rouge, se produisent régulièrement. Si le système Waymo Driver était incapable de gérer plusieurs des situations difficiles auxquelles les humains sont confrontés tout au long de leur vie, alors le taux d'accidents de Waymo ne serait pas si inférieur à celui des conducteurs humains.
Waymo utilise son Cadre de sécurité pour déterminer l'état de préparation en matière de sécurité selon lignes directrices d'approbation pour une version candidate de logiciel donnée. De plus, une analyse indépendante de la pertinence d’un tel processus est menée dans le cadre du dossier de sécurité. Un dossier de sécurité est une manière formelle d'expliquer comment un développeur de systèmes de conduite autonome (ADS) détermine que son système est suffisamment sécuritaire pour être déployé sur les routes publiques sans conducteur humain. Le dossier de sécurité comprend des éléments de preuve permettant de déterminer formellement l'absence de risque déraisonnable. Cela implique une explication du système, des méthodologies et des indicateurs utilisés pour le valider, ainsi que les résultats concrets des tests de validation.
2.2.3. Si les véhicules Waymo circulent entre deux passagers (ce qu'on appelle le transport à vide), l'absence de personne susceptible d'être blessée dans le véhicule (puisqu'il n'y a pas de conducteur) n'entraîne-t-elle pas des avantages en matière de sécurité ?
Les résultats de l'étude d'impact sur la sécurité menée par Waymo montrent que, comparé au statu quo actuel des véhicules conduits par des humains, Waymo enregistre moins d'accidents causant des blessures par kilomètre parcouru. L'un des avantages est qu'il n'y a parfois personne à bord du véhicule Waymo (par exemple, lorsque le véhicule se rend à un dépôt pour se recharger ou en revient, ou entre deux trajets). Il est important de noter que les indicateurs examinés par l'étude d'impact sur la sécurité de Waymo tiennent compte d'une blessure à toute personne impliquée dans la séquence de l'accident, que la personne se trouve ou non à bord d'un véhicule Waymo. Cela inclut les usagers de la route vulnérables, comme les piétons et les cyclistes, ou les occupants des autres véhicules impliqués dans un accident. Par conséquent, même si le fait que le véhicule Waymo soit parfois inoccupé présente un certain avantage, il est peu probable que cet avantage à lui seul explique la forte réduction des accidents causant des blessures chez Waymo (le véhicule pourrait être inoccupé en permanence et avoir quand même des accidents susceptibles de blesser des personnes à l'extérieur du véhicule). D'autres paramètres, comme les mesures de déploiement des coussins gonflables, ne sont pas affectés par le taux d'occupation du véhicule Waymo. Les coussins gonflables des véhicules Waymo se déclencheront peu importe la présence de passagers à bord. L'ampleur de la réduction des coussins gonflables par rapport à la valeur de référence est semblable à la réduction des blessures, ce qui renforce la confiance dans le fait que les avantages observés ne dépendent pas fortement de l'occupation des véhicules Waymo.
2.2.4. Dans quels scénarios avez-vous examiné la performance du Waymo Driver ?
L'alignement des accidents et de la conduite de Waymo et des humains est l'un des facteurs les plus importants pour faire une comparaison équitable des taux d'accidents (voir la question 1.1 pour plus de détails sur l'alignement).
Nous avons concentré nos premiers efforts sur trois composantes que nous jugeons pertinentes pour l'évaluation de la sécurité.
Gravité de la collision - établissement de plusieurs niveaux allant de l'accident signalé à la police à l'accident mortel.
Type d'accident (illustré ci-dessous) - la typologie que nous avons sélectionnée était basée sur des recherches antérieures de la NHTSA mettant en évidence les scénarios de conduite les plus difficiles.
Type de route - Nous ventilons les taux d'accidents par routes secondaires et autoroutes. Actuellement, notre réseau autoroutier est limité en kilomètres, donc on se concentre seulement sur les routes secondaires. Mais nous prévoyons de faire la distinction entre les deux groupes de types de routes dans nos futures publications lorsque le VMT permettra une comparaison statistique.
Nous travaillons activement à élargir les perspectives analytiques que nous appliquons à l'évaluation du Waymo Driver. Cependant, nous sommes généralement limités par les données disponibles sur les accidents humains. Waymo s'appuie activement sur les données publiques relatives aux accidents et au kilométrage. Ces données contiennent des renseignements limités sur les spécificités de chaque accident impliquant un être humain. À l'inverse, les données de Waymo sont riches en informations grâce à notre surveillance constante du VMT et à notre capacité à enregistrer chaque accident grâce à notre large éventail de capteurs. Afin d'élargir notre analyse, nous étudions continuellement l'utilisation de nouvelles sources de données contenant des informations plus précises, et nous nous tournons vers la communauté au sens large pour obtenir des analyses et des données susceptibles de soutenir la recherche.
2.2.5. L’analyse d’impact sur la sécurité tient-elle compte des risques liés à l’arrêt inopiné des véhicules automatisés sur la route ?
Tous les accidents impliquant des véhicules Waymo fonctionnant en configuration passager seulement (RO) sont inclus dans l'analyse d'impact sur la sécurité. Par conséquent, le risque de collision lié à l'arrêt d'un véhicule Waymo sur une chaussée et à la collision subséquente d'un autre véhicule avec ce véhicule Waymo arrêté est inclus dans l'impact sur la sécurité. Ces types d'accidents impliquant des véhicules à l'arrêt sont également inclus dans le référentiel humain.
2.2.6. Pourquoi ne pas partager les renseignements relatifs aux défaillances de ces collisions ?
Cette analyse a tenu compte de toutes les collisions, indépendamment de la partie responsable et de la responsabilité de Waymo. De plus, la question de la faute dans le déclenchement ou la survenance d'une collision relève d'une détermination juridique. Cela dit, la récente étude study menée par Swiss Re a montré que sur plus de 3,8 millions de milles, le Waymo Driver a réduit la fréquence des réclamations d'assurance pour dommages matériels de 76% et a complètement éliminé les réclamations pour blessures corporelles par rapport aux conducteurs humains.
Citation
Di Lillo, L., Gode, T., Zhou, X., Atzei, M., Chen, R., & Victor, T. (2024). Performances comparatives en matière de sécurité des conducteurs autonomes et humains: une étude de cas réelle du Waymo Driver. Héliyon, 10(14). https://doi.org/10.1016/j.heliyon.2024.e34379
Une étude ultérieure utilisant des données de demandes d'indemnisation d'assurance, actuellement en cours d'évaluation par les pairs, a révélé que le service Waymo RO présentait des réductions tout aussi importantes par rapport aux humains sur 25 millions de milles parcourus. Outre un référentiel humain global, cette nouvelle étude introduit également un référentiel pour les véhicules « nouvelle année modèle ». Les véhicules les plus récents (définis comme les modèles des années 2018 à 2021) ont enregistré des taux de réclamations pour dommages matériels et corporels inférieurs à ceux de l'ensemble de la population. Waymo a enregistré une réduction de 88% des demandes d'indemnisation pour dommages matériels et de 92% des demandes d'indemnisation pour dommages corporels par rapport à l'ensemble de la population, et une réduction de 86% des demandes d'indemnisation pour dommages matériels et de 90% des demandes d'indemnisation pour dommages corporels. Toutes ces différences étaient statistiquement significatives.
Citation
Di Lillo, L., Gode, T., Zhou, X., Chen, R., & Victor, T. (2024). Les véhicules autonomes sont-ils plus performants que les véhicules conduits par des humains de dernière génération ? Une comparaison avec les demandes d'indemnisation de Waymo en matière de responsabilité civile automobile à 25 millions de milles.
2.2.7. Quel est l’effet d’une augmentation potentielle du nombre de kilomètres parcourus (VMT) due aux véhicules autonomes sur la sécurité routière globale ?
Aujourd'hui, le service de Waymo est comparable aux services de covoiturage avec chauffeur. Les données montrent que Waymo prévient les blessures graves, voire pire, le déploiement des coussins gonflables et les blessures signalées dans plus de 80 % des cas. Pour que l'introduction de Waymo entraîne une augmentation nette des accidents, Waymo devrait augmenter le VMT global de plus de 80%, ce qui ne semble pas être une hypothèse réaliste. De nombreuses études montrent que le nombre total de kilomètres parcourus en VMT et de véhicules sur la route peut être considérablement réduit grâce à l'introduction de véhicules autonomes partagés (par exemple 1, 2, 3, 4, 5).
2.3. Quelle est la place de Waymo dans le contexte plus large de la sécurité routière ?
2.3.1. Pourquoi ne pas attendre que la technologie soit parfaite avant de déployer davantage de véhicules autonomes ?
La sécurité routière est un problème de santé publique et le Programme de développement durable à l'horizon 2030 s'est fixé un objectif ambitieux : réduire de 50% le nombre de décès et de blessures dus aux accidents de la route dans le monde d'ici 2030. UN étude de la RAND Corporation modélisant les déploiements de systèmes de conduite automatisée (SCA) selon plusieurs hypothèses, y compris un système dont le taux d'accidents est à peine inférieur à celui des humains actuels ou attendre des années avant de déployer un système dont le taux d'accidents est beaucoup plus faible que celui des humains. Les conclusions ont montré qu'un déploiement plus tôt permettrait de prévenir davantage de dommages.
Waymo a un cadre de sécurité et approche de l'analyse de sécurité qui a pour objectif principal de déployer un système réservé aux passagers (RO) qui ne présente aucun risque déraisonnable (AUR). Cet objectif d'analyse de sécurité est atteint en décomposant les dangers potentiels du système selon plusieurs dimensions, en définissant critères d'acceptation, et évaluer à la fois les allégations et les preuves avant le déploiement. Ce processus vise à s'assurer que le Waymo Driver présente un niveau de sécurité acceptable avant son déploiement.
2.3.2. Les véhicules automatisés sont peut-être plus sécuritaires que les conducteurs humains, mais ne devrions-nous pas concentrer notre attention sur d'autres solutions existantes ?
On n'a pas besoin de choisir une seule technologie ou initiative politique pour s'attaquer à la crise de la sécurité routière. Les véhicules autonomes, comme le Waymo Driver, sont l'un des nombreux outils disponibles pour améliorer la sécurité routière. Waymo s'engage en faveur d'une approche systémique de sécurité et de la Vision Zéro, qui passe par de multiples améliorations pour des routes plus sûres, des vitesses plus sûres, des véhicules plus sûrs, des usagers de la route plus sûrs et une prise en charge post-accident plus sûre. De nombreuses améliorations en matière de sécurité (comme les investissements dans des routes plus sûres, la fixation de limites de vitesse sûres, l'application des lois routières existantes, l'amélioration du respect des ceintures de sécurité, la réduction de la conduite sous influence, pour n'en nommer que quelques-unes) rendront également les trajets en Waymo plus sûrs. Waymo, comme une grande partie de l'industrie, est une entreprise financée par des fonds privés. En tant que société, nous pouvons soutenir le développement des véhicules automatisés sans compromettre d'autres améliorations en matière de sécurité.
Les véhicules automatisés offrent une occasion unique par rapport aux autres technologies de sécurité en raison de leur impact relativement important sur la sécurité par rapport à la conduite humaine. Par exemple, le freinage d'urgence automatisé réduit d'environ 50 % les collisions par l'arrière (qui ne représentent qu'environ le quart de tous les accidents). En comparaison, le Waymo Driver réduit d'environ 80% les accidents ayant entraîné des blessures, tous types d'accidents confondus, y compris les accidents aux intersections et les accidents impliquant des usagers vulnérables de la route, où les technologies de sécurité active actuelles ne réduisent pas encore significativement le nombre d'accidents.
2.3.3. Quelle place occupent les véhicules automatisés dans l'approche du système sécuritaire ?
L'approche « Système sûr », basée sur le mouvement mondial Vision Zéro, est une méthode systématique visant à éliminer les blessures graves et mortelles dans le système de transport routier. Les véhicules automatisés de Waymo constituent un outil précieux dans la gamme des systèmes sûrs, car ils sont conçus pour suivre les principes de la Vision Zéro. Waymo exige le port de la ceinture de sécurité par tous les occupants. Waymo est conçu pour respecter les limites de vitesse et utilise des véhicules dotés des dernières technologies de sécurité passive.
2.4. Et les données partagées elles-mêmes ?
2.4.1. À quelle fréquence les données sont-elles mises à jour ?
Dans cette analyse, nous utilisons des données accessibles au public, et plus précisément les rapports d'accidents de Waymo soumis sous Ordre général permanent (SGO) de la NHTSA — pour permettre à d’autres chercheurs de reproduire les résultats. Les données affichées sur cette page Web font l'objet de mises à jour régulières, conformément au calendrier de déclaration des SGO de la NHTSA.
Outre la publication de nouvelles données, nous pourrions mettre à jour la méthodologie utilisée pour comparer le service Waymo RO (utilisateur uniquement) et les performances humaines de référence. Les meilleures pratiques en matière d'évaluation rétrospective de l'impact sur la sécurité constituent une science en constante évolution. Lorsque nous apporterons des modifications à notre méthodologie, nous communiquerons ces modifications ainsi que leurs effets sur les résultats et l'interprétation des données. Pour plus de détails, consultez les documents de notes de version disponibles dans la section downloads.
2.4.2. Pourquoi le téléchargement des données Waymo SGO inclut-il la date de l'accident, le lieu et le code postal ?
Ces informations sont importantes pour analyser et comprendre les collisions et ne sont pas disponibles dans le SGO de la NHTSA. Les données postérieures à juin 2025 ne comportent pas de code postal, car ce champ a été supprimé du formulaire de déclaration SGO de la NHTSA (voir Amendement SGO 3 ). Le champ du code postal a été réintégré au formulaire de déclaration SGO en septembre 2025. Les événements SGO signalés après septembre incluent à nouveau le code postal dans le fichier de données téléchargé.
Recherche sur la sécurité
Nous menons activement des études et publions des résultats évalués par des pairs sur nos méthodologies de sécurité, nos données sur les performances, et plus encore.
Download Data
Miles per Geo
Total miles driven in each location (through June 2026)
Download CSVCrashes with SGO identifier and group membership
A list of cases with outcome group and other relevant collision information (through June 2026)
Download CSVCollision count and comparisons to benchmarks by outcome and location
Aggregated by outcome and location (through June 2026)
Download CSVGeographic distribution of benchmark and Waymo RO miles
Human benchmark crash counts for different outcome levels, human vehicle miles traveled (VMT), and Waymo RO miles reported by S2 cell through June 2026. This information can be used to reproduce the dynamic benchmark adjustments.
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