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
Fino a dicembre 2025, Waymo ha percorso 170,7 milioni di miglia con a bordo solo passeggeri, senza conducente umano.
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.
Località | Punti RO Miles validi fino a dicembre 2025 |
|---|---|
Los Angeles | 37.857M |
Area della Baia di San Francisco | 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.
Compared to an average human driver over the same distance in our operating cities, the Waymo Driver had
Overall crash reduction
92% Fewer serious injury or worse crashes (35 fewer)
83% Fewer airbag deployment in any vehicle crashes (230 fewer)
82% Fewer injury-causing crashes (544 fewer)
Crash reductions involving injuries to Vulnerable Road Users
92% Fewer pedestrian crashes with injuries (62 fewer)
85% Fewer cyclist crashes with Injuries (39 fewer)
81% Fewer motorcycle crashes with injuries (25 fewer)
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 |
Attivazione degli airbag nel tasso di incidenti stradali Waymo
| 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% |
Confronto tra Waymo Driver e i parametri di riferimento umani in base al tipo di incidente
Questi grafici mostrano quanti incidenti RO (solo passeggeri) in meno ha registrato Waymo (indipendentemente da chi fosse il responsabile) rispetto a quelli che si sarebbero verificati con conducenti umani con un tasso di incidenti di riferimento medio, se avessero percorso la stessa distanza nelle aree in cui operiamo. Gli incidenti sono stati classificati in 11 tipologie e sono rappresentativi di tutte le località. I dati sono disponibili per singola città nella sezione download.
Le barre che mostrano una differenza percentuale numerica sono statisticamente significative.
Attivazione dell'airbag in caso di incidente stradale
| 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%) |
Incidenti stradali con feriti
| 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.
Frequently Asked Questions
1. I risultati sono attendibili?
1.1. I risultati relativi all'impatto sulla sicurezza rappresentano un confronto equo e imparziale tra Waymo e la guida umana?
1.1.1. Come viene progettata e realizzata la ricerca sull'impatto sulla sicurezza?
Sebbene il confronto tra i tassi di incidenti si riduca a quattro semplici parametri – incidenti e chilometri percorsi per i sistemi di guida automatizzata (ADS) e un parametro di riferimento – molte decisioni relative alla progettazione dello studio e alle fonti di dati utilizzate possono influenzarne il risultato. La ricerca sull'impatto sulla sicurezza è uno strumento ampiamente utilizzato nella letteratura scientifica sulla sicurezza dei veicoli, fin dai progressi in materia di sicurezza come il controllo elettronico della stabilità e la frenata automatica di emergenza. I sistemi ADS responsabili dell'intero compito di guida dinamica presentano alcune sfide uniche e, di conseguenza, Lista di controllo RAVE è stato pubblicato come consenso sulle migliori pratiche di ricerca per la ricerca sull'impatto della sicurezza dei sistemi di somministrazione di farmaci. La checklist, che è in fase di sviluppo per diventare uno standard internazionale, definisce le migliori pratiche per la conduzione di studi di impatto sulla sicurezza dei sistemi di automazione degli accessi (ADS) come quelli presentati sul Safety Impact Data Hub. La ricerca che sta alla base del centro dati sull'impatto della sicurezza è progettata per essere conforme a Lista di controllo RAVE (vedere l'appendice online di Kusano e altri, 2025, per una valutazione della conformità dei metodi ai requisiti della checklist RAVE).
1.1.2. Tutti gli arresti anomali di Waymo vengono segnalati?
La ricerca di Waymo sull'impatto sulla sicurezza si basa sui rapporti richiesti dall'Ordine Generale Permanente (SGO) della National Highway Traffic Safety Administration (NHTSA). Tutti gli operatori di sistemi di guida automatizzata (ADS) (termine tecnico per gli operatori di veicoli automatizzati come Waymo), inclusa Waymo, devono attenersi alle SGO e segnalare tutti gli incidenti che soddisfano i requisiti entro i periodi di segnalazione specificati. La NHTSA ha l'autorità di indagare e intraprendere azioni correttive qualora ritenga che vi siano incongruenze nelle segnalazioni SGO degli operatori ADS. Il rapporto SGO requisiti Sono inclusi gli incidenti con danni lievi, il che rappresenta una soglia di segnalazione inferiore (vengono inclusi più incidenti di lieve entità) rispetto ai tradizionali database sugli incidenti stradali segnalati dalla polizia e dalle compagnie assicurative. Tutti gli incidenti in cui si presume si siano verificati feriti o in cui si sia attivato un airbag, ovvero gli esiti su cui si concentrano i risultati del centro dati sull'impatto della sicurezza, devono essere segnalati nell'ambito dell'SGO. Pertanto, dati i rigorosi requisiti di segnalazione e le politiche operative della flotta di Waymo, è altamente improbabile che si siano verificati incidenti con esiti simili a quelli riportati nell'hub dati e che non siano stati inclusi. Per riferimento, i rapporti NHTSA ( Blincoe, et al., 2023 ) che la sottostima degli incidenti stradali causati da veicoli guidati da esseri umani è pari al 69,7% degli incidenti con danni materiali e al 31,9% degli incidenti con feriti. Il sistema di segnalazione di Waymo si occupa di tutti gli incidenti noti rilevati da una suite di sensori altamente performante, fornendo un report più completo.
Poiché Waymo utilizza i dati forniti dalla polizia per ricavare i parametri di riferimento, nel confronto con il parametro di riferimento vengono inclusi solo gli incidenti in cui il veicolo Waymo viene trasportato e contattato durante l'incidente. Nei dati riportati dalla polizia, i veicoli che non vengono coinvolti in una collisione non sono inclusi nei dati relativi all'incidente. Pertanto, confrontare gli incidenti Waymo segnalati nell'SGO in cui non vi è stato alcun contatto con il veicolo Waymo (ma che potrebbero essere segnalati come parte dell'SGO a causa di un presunto contributo all'incidente) porterebbe a sovrastimare il tasso di incidenti Waymo rispetto al tasso di incidenti. Analogamente, il veicolo Waymo a volte è parcheggiato in un posto auto valido in attesa di servire i clienti in futuro. Il software ADS è attivo, ma il veicolo è in posizione di parcheggio e si trova in un posto auto valido (in un'area di parcheggio segnalata o entro 45 cm dal marciapiede, nel caso di parcheggio su strada). Nei dati dei rapporti di polizia, i veicoli parcheggiati come questi non sono inclusi nel conteggio dei veicoli (i veicoli parcheggiati sono considerati oggetti fissi).
1.1.3. I dati di Waymo e quelli raccolti da esseri umani misurano gli stessi risultati?
Allineare i dati sugli incidenti stradali rilevati dai sistemi di guida automatizzata (ADS) con quelli rilevati da conducenti umani è una delle dimensioni più importanti per effettuare un confronto equo e omogeneo. Un passo fondamentale per allineare i dati è definire in modo coerente il concetto di "incidente". La ricerca Safety Impact di Waymo si basa su precedenti studi di valutazione della sicurezza per selezionare gli esiti degli incidenti che possono essere identificati al meglio sia nei dati dei sistemi ADS che in quelli rilevati da conducenti umani. La fonte di dati più diffusa e affidabile sugli incidenti stradali che coinvolgono esseri umani sono i database dei rapporti di polizia. Non tutti gli incidenti che coinvolgono persone vengono denunciati alla polizia, soprattutto quelli di lieve entità. Gli incidenti più gravi che provocano l'attivazione degli airbag o lesioni (gravi o peggio, o lesioni di qualsiasi entità) sono più rilevanti per la valutazione della sicurezza rispetto a quelli che causano danni materiali di lieve entità.
Sebbene riteniamo che gli incidenti con lesioni gravi o peggio, l'attivazione degli airbag e qualsiasi tipo di lesione riportata siano più rilevanti per la valutazione della sicurezza rispetto a quelli che causano danni materiali di lieve entità, continuiamo a monitorare e segnalare questi tassi di collisioni minori confrontandoli con i parametri di riferimento disponibili nella sezione download del sito web del data hub (ad esempio, qualsiasi danno materiale o lesione e incidenti segnalati dalla polizia).
1.1.4. Il confronto tiene conto delle diverse condizioni di guida, come ad esempio le condizioni meteorologiche?
La ricerca di Waymo sull'impatto sulla sicurezza utilizza diversi approcci per allineare le condizioni di guida tra il benchmark umano e la guida di Waymo: (a) utilizzando i dati umani provenienti dalle contee in cui Waymo opera e (b) un adeguamento dinamico del benchmark basato sulla posizione. Guidare è diverso in città diverse, e non tutte le strade o le condizioni di guida sono ugualmente rischiose. Per valutare il rischio di incidenti a livello locale, la ricerca di Waymo sull'impatto sulla sicurezza utilizza fonti di dati sugli incidenti e sui chilometri percorsi dai veicoli (VMT) gestite a livello statale, limitate alle contee in cui Waymo opera attualmente. Anche all'interno della stessa contea, il tasso di incidenti stradali che coinvolgono persone varia a seconda della zona della contea in cui ci si trova a guidare. In generale, le aree urbane più densamente popolate presentano tassi di incidenti più elevati rispetto alle aree meno densamente popolate. Per cogliere questo effetto, i risultati di Waymo sull'impatto sulla sicurezza utilizzano un aggiustamento dinamico del benchmark che pondera il benchmark umano in proporzione ai chilometri percorsi dal servizio Waymo in ciascuna area (vedere Kusano e altri, 2025 E Chen e altri, per i dettagli. Confrontando lo stile di guida di Waymo con i dati di riferimento ottenuti nelle stesse località, si tiene implicitamente conto di molti degli effetti delle condizioni di guida. Le nostre ricerche hanno dimostrato che i tassi di incidenti variano notevolmente a seconda della posizione geografica, motivo per cui sconsigliamo di utilizzare una media nazionale come parametro di riferimento per confrontare le prestazioni di guida di Waymo.
Un migliore allineamento dei tassi di incidenti di riferimento all'ambiente di guida di Waymo, attraverso i dati locali sugli incidenti e la regolazione dinamica, tiene conto di molti, ma non di tutti, i possibili fattori che possono influenzare il rischio di incidenti. Ad esempio, nelle città in cui Waymo opera attualmente non si verificano nevicate significative e, di conseguenza, né i dati di Waymo né i dati di riferimento umani includono questo tipo di condizioni meteorologiche avverse. Chen et al. (2025) hanno scoperto che l'ora del giorno influenza i tassi di incidenti (i tassi di incidenti a tarda notte sono generalmente più alti che durante il giorno). Il principale ostacolo alla considerazione di un maggior numero di fattori quando si allineano i dati di riferimento e quelli di Waymo è spesso la mancanza di dati sull'esposizione alla guida umana. Ad esempio, i dati VMT utilizzati per effettuare il benchmark dinamico sono forniti come media annuale, quindi non possono essere utilizzati per effettuare correzioni in base all'ora del giorno. Stiamo esaminando altre fonti di dati che potrebbero contribuire a fornire dati umani per allineare ulteriormente il benchmark con i dati di Waymo.
1.1.5. Perché il confronto utilizza tutti autisti umani provenienti dall'area in cui Waymo opera nel benchmark?
I risultati presenti sull'hub di dati sull'impatto sulla sicurezza confrontano le prestazioni di Waymo in termini di incidenti con quelle dell'attuale flotta di veicoli guidati da esseri umani nelle aree in cui Waymo opera, utilizzando le migliori pratiche per allineare i dati sugli incidenti di Waymo e quelli relativi agli incidenti umani. Questo confronto risponde alla domanda di ricerca: "Qual è l'effetto della guida di Waymo sullo status quo?". Questo tipo di domanda di ricerca è la più elementare che i ricercatori si pongono quando una nuova tecnologia automobilistica viene sviluppata e implementata (ad esempio, la frenata automatica di emergenza, il controllo elettronico della stabilità). Questo tipo di confronto con lo stato attuale dimostra il potenziale di una tecnologia automobilistica nel migliorare la sicurezza stradale.
Alcune altre ricerche di Waymo hanno esaminato il confronto con altre popolazioni. Ad esempio, in ricerca precedente E le nostre metodologie prospettiche per la determinazione della sicurezza Esaminando le nostre prestazioni di prevenzione delle collisioni, confrontiamo facilmente le prestazioni del conducente Waymo con quelle di un conducente "non compromesso e con gli occhi puntati sulla zona di conflitto (NIEON)". Esistono delle difficoltà metodologiche nella creazione di una versione comparabile di questo benchmark basata sul tasso di incidenti, poiché la quantità esatta di VMT (Vehicle Miles Traveled, chilometri percorsi) per un conducente simile a un "NIEON" (Neuroinduced Escape on Neurological Disorder) non è facilmente disponibile per quantificare i benchmark, principalmente perché i conducenti umani non si trovano sempre in uno stato NIEON durante la guida.In altri lavori di Swiss Re in collaborazione con Waymo ( nella revisione paritaria ), i tassi di reclami di terze parti di Waymo sono stati confrontati con quelli dei conducenti umani alla guida di veicoli di ultima generazione. Ciò rappresenta un altro sottoinsieme di veicoli a guida umana con prestazioni superiori, poiché i veicoli di ultima generazione in genere dispongono di caratteristiche di sicurezza migliorate.
Un altro confronto potenzialmente illuminante potrebbe essere quello con altre categorie di persone che si spostano in auto, come i tassisti o gli utenti dei servizi di trasporto privato. Attualmente non esistono fonti di dati pubblicamente disponibili (e quindi verificabili in modo indipendente) per quantificare gli incidenti e i chilometri percorsi dai veicoli per queste popolazioni specifiche, considerando un'ampia gamma di risultati, come avviene invece per i rapporti generali della polizia e i database pubblici sui chilometri percorsi dai veicoli.Un altro parametro di riferimento che rappresenterebbe un'ulteriore aspettativa potrebbe essere il parametro di riferimento dei conducenti non compromessi. Sebbene questo confronto possa essere utile, non fornisce una valutazione della riduzione del tasso di incidenti rispetto allo stato attuale. Analogamente ai tassi relativi a specifiche categorie di popolazione, è difficile produrre una stima locale sia del numero di incidenti stradali causati da guida in stato di ebbrezza, sia del chilometraggio percorso dai veicoli in stato di ebbrezza. Si tratta di aree di ricerca impegnative ma preziose, che si affacceranno alla disponibilità di nuove fonti di dati.
1.1.6. Perché Waymo si assume la massima responsabilità per l'intera sequenza dell'incidente?
Gli esiti degli infortuni possono essere misurati in diversi modi. Non volevamo che la nostra analisi si concentrasse eccessivamente sugli occupanti del veicolo Waymo, perché ciò avrebbe potuto sottovalutare l'impatto di Waymo sulla sicurezza in caso di incidenti che coinvolgono persone al di fuori del veicolo Waymo. Abbiamo quindi scelto un esito a livello di incidente che considera il massimo danno subito da qualsiasi persona coinvolta nell'intera sequenza dell'incidente. Nella ricerca sulla sicurezza automobilistica è prassi comune stabilire un punteggio massimo per le lesioni causate da un incidente, e spesso questo punteggio viene fornito direttamente nei rapporti di polizia come campo di inserimento.
1.2. Waymo ha percorso un numero di chilometri sufficiente per trarre conclusioni attendibili (significatività statistica)?
Potrebbe sembrare che i chilometri percorsi da Waymo (centinaia di milioni di chilometri) siano insignificanti rispetto ai miliardi di chilometri percorsi nelle città in cui Waymo opera, o ai trilioni di chilometri percorsi ogni anno in tutti gli Stati Uniti. Quando si confrontano i tassi di due popolazioni, tuttavia, le conclusioni che si possono trarre dai dati sono governate da ciò che viene chiamato potenza statistica. La domanda a cui cerca di rispondere il Safety Impact Data Hub è: i tassi di incidenti di Waymo e quelli di riferimento sono diversi? I dati di input per questo calcolo sono il numero di incidenti e il numero di miglia percorse da Waymo e dalle popolazioni di riferimento, e vengono modellati utilizzando una distribuzione di Poisson, la distribuzione più comune per la gestione di dati di conteggio.
Un esempio di questo problema potrebbe essere quello di esaminare il numero di studenti che non superano un esame. In un distretto scolastico, supponiamo che 300 studenti su 1.000 che sostengono lo stesso test non lo superino (3 bocciati ogni 10 candidati). Ci si potrebbe chiedere se una classe A di 20 studenti abbia ottenuto risultati diversi rispetto alla popolazione complessiva in questo test (si noti che, ai fini di questo esempio semplificato, presupponiamo che il superamento o il mancato superamento del test sia indipendente dall'appartenenza alla classe A). Supponiamo che nella classe A 10 studenti su 20 non abbiano superato l'esame (5 bocciati ogni 10 candidati). La classe A ha registrato un tasso di bocciatura doppio rispetto alla media del distretto scolastico. Tuttavia, utilizzando un intervallo di confidenza di Poisson, il tasso di non superamento nella classe di 20 studenti non risulta statisticamente diverso dalla media del distretto scolastico al livello di confidenza del 95%. Se invece confrontiamo la Classe A con l'intero stato di 100.000 studenti (con lo stesso tasso di 3 non promossi ogni 10 candidati, ovvero 30.000 non promossi su 100.000), gli intervalli di confidenza al 95% di questo confronto sono quasi identici a quelli del confronto con la contea (300 non promossi su 1.000 candidati). Ciò significa che, per questo confronto, l'incertezza nel piccolo numero di osservazioni nella Classe A (solo 20 studenti) è molto maggiore dell'incertezza nella popolazione più ampia. Prendiamo un'altra classe, la Classe B, in cui solo 1 studente su 20 non ha superato il test (0,5 non superano il test ogni 10 partecipanti). Applicando gli intervalli di confidenza al 95%, questa Classe B does ha un tasso di superamento statisticamente diverso dalla media della contea (così come rispetto allo stato). Questo esempio mostra che, quando si confrontano i tassi di eventi in due popolazioni in cui una popolazione è molto più grande dell'altra (misurata in base al numero di persone che hanno sostenuto un test o ai chilometri percorsi), i due fattori che determinano la significatività statistica sono: (a) il numero di osservazioni nella popolazione più piccola (più osservazioni = significatività più rapidamente) e (b) maggiori differenze nei tassi di occorrenza (maggiore differenza = significatività più rapidamente).
Consideriamo ora un altro esperimento con i dati di Waymo. Si consideri la figura seguente che mantiene costante il numero di attivazioni degli airbag Waymo in qualsiasi incidente stradale (34) e il VMT (71,1 milioni di miglia) ipotizzando diversi ordini di grandezza di miglia percorse nella popolazione di riferimento umana (tasso di riferimento di 1,649 incidenti per milione di miglia con 17,8 miliardi di miglia percorse). Secondo le stime puntuali, Waymo registra il 71% in meno di questi arresti anomali rispetto al benchmark. Gli intervalli di confidenza (chiamati anche barre di errore) mostrano l'incertezza relativa a questa riduzione a un livello di confidenza del 95% (il livello di confidenza del 95% è lo standard nella maggior parte dei test statistici). Se le barre di errore non attraversano lo 0%, significa che da un punto di vista statistico siamo sicuri al 95% che il risultato non sia dovuto al caso, il che viene anche definito significatività statistica. Questa “simulazione” mostra l’effetto sulla significatività statistica quando si varia il VMT della popolazione di riferimento. Questo confronto risulterebbe statisticamente significativo anche se la popolazione di riferimento avesse percorso meno chilometri rispetto alla popolazione Waymo (10 milioni di chilometri). Inoltre, finché il parametro di riferimento umano supera i 100 milioni di miglia, non si riscontrano differenze significative negli intervalli di confidenza del confronto. Ciò significa che, da un punto di vista statistico, i confronti tra le grandi città statunitensi (basati su miliardi di miglia) non differiscono da un confronto con l'intero chilometraggio annuo degli Stati Uniti (migliaia di miliardi di miglia). Analogamente all'esempio del test scolastico, Waymo ha percorso un numero sufficiente di chilometri (da decine a centinaia di milioni di chilometri) e le riduzioni sono abbastanza consistenti (dal 70% al 90%) da consentire il raggiungimento di una significatività statistica.
1.3. La metodologia utilizzata è stata sottoposta a revisione paritaria o convalidata esternamente?
Questa analisi sfrutta la metodologia e i parametri di riferimento umani introdotti in Scanlon et al. (2024), Kusano et al. (2024) e Kusano et al. (2025)
Questi articoli di ricerca sono stati pubblicati su riviste scientifiche sottoposte a revisione paritaria.
Citazioni
Scanlon, J. 7,4 milioni Kusano, K. G Fraade-Blanar, L. a McMurry, T. L1 Chen, Y. H2 | 2025 e Victor, T. (2024). Parametri di riferimento per l'analisi retrospettiva del tasso di incidenti dei sistemi di guida automatizzata utilizzando i dati sugli incidenti segnalati dalla polizia. Prevenzione degli infortuni stradali, 25(sup1), S51-S65.
Kusano, K. G Scanlon, J. 7,4 milioni Chen, Y. H2 | 2025 McMurry, T. L1 Chen, R., Gode, T., e Victor, T. (2024). Confronto dei dati sugli incidenti rilevati da Waymo (solo passeggeri) con i dati di riferimento relativi a incidenti umani su 7,1 milioni di miglia. Prevenzione degli infortuni stradali, 25(sup1), S66-S77.
Kusano, K. G Scanlon, J. 7,4 milioni Chen, Y. H2 | 2025 McMurry, T. L1 Gode, T., e Victor, T. (2025). Confronto dei tassi di incidenti dei veicoli Waymo con solo passeggero a bordo, suddivisi per tipologia di incidente, con i parametri di riferimento relativi agli incidenti umani, dopo 56,7 milioni di miglia percorse. Prevenzione degli infortuni stradali, 26(sup1), S8–S20. https://doi.org/10.1080/15389588.2025.2499887.
La revisione paritaria (peer review) è un processo in cui un articolo di ricerca viene sottoposto a una rivista e ricercatori anonimi esperti nel settore lo esaminano e suggeriscono miglioramenti. Il processo di revisione paritaria è da sempre considerato il punto di riferimento per la pubblicazione della ricerca. Questo processo richiede che la ricerca sia descritta con sufficiente dettaglio da consentire la riproduzione dei risultati e che le conclusioni della ricerca siano supportate dai risultati stessi. I metodi utilizzati sul Safety Impact Data Hub sono gli stessi impiegati negli articoli sottoposti a revisione paritaria, garantendo così un elevato livello di trasparenza metodologica. Come di consueto nell'editoria accademica, spesso pubblichiamo anche delle versioni preliminari degli articoli mentre sono in fase di revisione paritaria, una prassi attualmente considerata ottimale, con l'obiettivo di diffondere il nostro lavoro e sollecitare commenti dalla comunità scientifica.
1.4. I dati grezzi sono disponibili per i ricercatori?
Sì, i risultati presenti sull'Hub dati possono essere riprodotti utilizzando dati disponibili pubblicamente. Come abbiamo scritto nella sezione 1.1.2, tutti i conteggi degli incidenti di Waymo si basano sugli eventi segnalati nell'ambito dell'Ordine Generale Permanente (SGO) della NHTSA. Inoltre, i dati grezzi utilizzati per generare tutte le statistiche sull'hub dati sono forniti come Download di file CSV – consentendo a qualsiasi ricercatore o altra terza parte di replicare e verificare i risultati. Ciò include il numero di miglia percorse in ciascuna località (CSV1), l'identificazione del caso SGO e le categorie di esito per ciascun caso incluso nell'analisi (CSV2), i confronti con i tassi di incidenti di riferimento aggregati per località, esito e tipo di incidente (CSV3) e le miglia percorse nelle posizioni geografiche della città utilizzate per l'aggiustamento dinamico della posizione (CSV4). I metodi utilizzati nell'hub dati si basano su articoli sottoposti a revisione paritaria e ad accesso aperto (vedere la domanda 1.3 per le citazioni).
1.5. Perché i risultati vengono presentati in veicoli incidentati per miglio?
Il tasso di incidenti stradali, o tasso a livello di singolo veicolo, si calcola contando il numero di veicoli coinvolti in incidenti a un determinato livello di esito e dividendolo per il chilometraggio medio percorso dalla popolazione. Per quanto riguarda gli incidenti che coinvolgono i veicoli Waymo, il tasso di veicoli incidentati viene calcolato dividendo il numero di veicoli Waymo coinvolti in incidenti con un determinato livello di esito per il totale dei chilometri percorsi da Waymo con solo passeggero a bordo (Rider-Only, RO). Il parametro di riferimento è il numero totale di veicoli coinvolti in incidenti di un determinato esito, secondo i dati dei rapporti di polizia, diviso per il chilometraggio totale percorso dalla popolazione.
Un altro parametro disponibile è il tasso di incidenti (ovvero, il numero di incidenti per chilometraggio percorso dalla popolazione). Per illustrare perché l'utilizzo di un parametro di riferimento a livello di incidente per confrontarlo con il tasso a livello di veicolo di una flotta di sistemi di guida automatizzata (ADS) crea una discrepanza di unità che potrebbe portare a conclusioni errate, è utile utilizzare un esempio ipotetico e semplice. Consideriamo una popolazione di riferimento composta da due veicoli che percorrono entrambi 100 miglia prima di scontrarsi tra loro (2 veicoli incidentati, 1 incidente, 200 VMT della popolazione). Il tasso di incidenti è pari a 0,5 incidenti ogni 100 miglia (1 incidente ogni 200 miglia), mentre il tasso di veicoli incidentati è pari a 1 veicolo incidentato ogni 100 miglia (2 veicoli incidentati ogni 200 miglia). Questo è simile a ricavare parametri di riferimento dai dati sugli incidenti stradali riportati dalla polizia, dove in media sono coinvolti 1,8 veicoli per ogni incidente, e dai dati sul chilometraggio percorso dai veicoli (VMT), dove il VMT viene stimato per tutti i veicoli. Consideriamo ora una seconda popolazione ADS composta da un veicolo che percorre anch'esso 100 miglia prima di essere coinvolto in un incidente con un veicolo non appartenente alla popolazione. Questa situazione è simile al modo in cui vengono raccolti i dati per le flotte ADS. Viene registrato il chilometraggio totale percorso dalla flotta ADS, insieme agli incidenti che coinvolgono un veicolo ADS. Per la flotta ADS, il tasso di veicoli incidentati (a livello di singolo veicolo) è di 1 veicolo incidentato ogni 100 miglia. Se un'analisi confrontasse erroneamente il tasso di riferimento di 0,5 incidenti ogni 100 miglia a livello di singolo veicolo con il tasso di 1 incidente ogni 100 miglia a livello di singolo veicolo ADS, la conclusione sarebbe che la flotta ADS ha un tasso di incidenti due volte superiore al valore di riferimento. In realtà, in questo esempio, il tasso di incidenti ADS di 1 veicolo incidentato ogni 100 miglia non è diverso dal tasso di riferimento dei veicoli incidentati, in cui un singolo conducente di un veicolo è stato coinvolto in 1 incidente ogni 100 miglia percorse.
Questo errore, ovvero confrontare il tasso di incidenti con il tasso di incidenti a livello di singolo veicolo, è facile da commettere quando si utilizzano statistiche aggregate, poiché le statistiche riassuntive fornite dagli enti di ricerca spesso riportano il numero di incidenti anziché il numero di veicoli coinvolti. Per esempio, Scanlon et al. (2024) Secondo quanto riportato, a livello nazionale nel 2022 si sono verificati 5.930.496 incidenti stradali segnalati dalla polizia, che hanno coinvolto 10.528.849 veicoli. Il chilometraggio totale percorso dai veicoli a livello nazionale nel 2022 è stato di 3,2 trilioni di miglia. Ciò significa che il tasso a livello di incidenti negli Stati Uniti è di 1,9 incidenti per milione di miglia, mentre il tasso a livello di veicolo è di 3,3 veicoli incidentati per milione di miglia.
Un altro parametro comunemente utilizzato nella sicurezza stradale è il numero di feriti per chilometro percorso (ovvero, un tasso a livello individuale). Come indicatore a livello di popolazione dell'impatto degli incidenti stradali, il tasso individuale risulta valido. Esistono diverse problematiche pratiche e interpretative che rendono il tasso a livello individuale un parametro non ideale per confrontare una popolazione con un'altra, come avviene nel Safety Impact Data Hub. Il tasso di incidenti per persona in una flotta di sistemi di guida automatica (ADS) operante in traffico misto sembrerà diminuire all'aumentare delle dimensioni della flotta (o della sua penetrazione), anche se il tasso di coinvolgimento negli incidenti rimane invariato. Poiché gli incidenti spesso coinvolgono più veicoli, maggiore è la dimensione della flotta, maggiore è la probabilità che più veicoli ADS siano coinvolti in un incidente, il che ridurrebbe il tasso a livello di persona (stesso numero di persone coinvolte nell'incidente, più chilometri percorsi). Questo significa che, nelle prime fasi della fase di test, il tasso a livello individuale della flotta ADS risulterebbe superiore al valore di riferimento, anche se l'ADS fosse coinvolto in un numero di incidenti simile a quello della popolazione di riferimento. Per ovviare a questo bias, si potrebbe calcolare un tasso frazionario a livello individuale, definito come il numero totale di persone coinvolte in un incidente con un determinato esito diviso per il numero di veicoli coinvolti nell'incidente. Sebbene questo tasso frazionario a livello individuale affronti il problema della distorsione dovuta all'utilizzo di più veicoli, crea una distorsione diversa nell'interpretazione dei risultati. Il tasso di incidenti a livello di persona attribuisce maggiore peso agli incidenti che coinvolgono un numero ridotto di veicoli rispetto agli incidenti che coinvolgono più veicoli. Esiste inoltre una limitazione pratica, in quanto l'ordinanza generale permanente della NHTSA, la fonte più completa di dati sugli incidenti che coinvolgono i sistemi di guida assistita (ADS), riporta solo il livello massimo di gravità delle lesioni nell'incidente e non il numero di occupanti feriti a ciascun livello di gravità. Pertanto, al momento non è possibile calcolare un tasso a livello individuale a partire dai dati SGO. Questa limitazione si applica anche ad alcuni database statali sugli incidenti stradali, dove viene segnalata solo la gravità massima. A causa dei potenziali bias di interpretazione e delle limitazioni nella segnalazione, un tasso a livello di veicolo è preferibile a un tasso a livello di persona quando si confrontano i tassi di incidenti dei sistemi di guida assistita (ADS) con i tassi di riferimento.
1.6. Qual è la differenza tra incidenti per miglio e miglia tra gli incidenti?
Matematicamente, il numero di incidenti per miglio e la distanza in miglia tra gli incidenti sono l'uno l'inverso dell'altro (ovvero, per passare dal numero di incidenti per miglio alla distanza in miglia tra gli incidenti, basta dividere il tasso per 1). Tuttavia, ci sono importanti ragioni per cui I tassi di incidenti dovrebbero essere espressi in incidenti per miglio., come affermato nel Lista di controllo RAVE raccomandazioni. Il motivo è che la metrica degli incidenti per miglio ha una relazione lineare con il numero di eventi, mentre l'inverso della distanza in miglia tra gli incidenti ha una relazione non lineare. Questa relazione non lineare rende più difficile confrontare le variazioni dei tassi. Difficoltà simili sono state riscontrate in altre misurazioni come efficienza del carburante del veicolo (miglia per gallone contro galloni per 100 miglia).
Come affermato nel Lista di controllo RAVE Consideriamo un sistema ADS con un tasso di percorrenza per incidente pari a 1 milione di miglia per incidente,rispetto a un valore di riferimento di 750.000 miglia per incidente. Un altro sistema ADS presenta un tasso di incidenti ogni 500.000 miglia, rispetto a un valore di riferimento di 250.000 miglia per incidente. In entrambi i casi, la differenza di chilometri percorsi per incidente è di 250.000, il che dà l'illusione che la differenza di prestazioni sia simile. Al contrario, il primo confronto mostra un sistema ADS che riduce il numero di incidenti per miglio del 25% (1 IPMM contro 1,33 IPMM), mentre il secondo lo riduce del 50% (2 IPMM contro 4 IPMM). Poiché i tassi di incidenza per unità di esposizione sono linearmente proporzionali al numero di eventi e i tassi di incidenza per unità di esposizione non sono linearmente correlati, non è immediatamente evidente che i tassi relativi siano più difficili da confrontare.
Figure 2 from RAVE checklist
2. Che cosa significano questi risultati?
2.1. Quali conclusioni si possono trarre dai risultati relativi all'impatto sulla sicurezza?
2.1.1. Questi dati significano che l'autista di Waymo è più sicuro degli esseri umani?
La ricerca dimostra che Waymo Driver è più sicuro della popolazione umana di automobilisti nelle stesse aree geografiche in cui opera, misurato in base al numero di incidenti di un determinato tipo per miglio percorso dal veicolo. La ricerca si è concentrata sul confronto delle prestazioni di sicurezza del sistema di guida Waymo Driver con quelle dell'intera gamma di veicoli a guida umana presenti nella stessa area geografica. Il tasso di incidenti stradali causati da esseri umani può essere considerato come lo "status quo" della guida in quella zona. Questo confronto viene utilizzato nell'analisi dell'impatto sulla sicurezza per determinare quanto sia efficace l'introduzione della tecnologia di Waymo rispetto alla situazione attuale.
Il tasso complessivo di incidenti stradali causati da conducenti umani è un dato comune, reso possibile dalle consolidate pratiche di raccolta dati, diffuse quasi universalmente negli Stati Uniti e in gran parte del mondo.Esiste un solido precedente storico per l'analisi delle tendenze annuali e delle sfide sistemiche che le intere popolazioni di automobilisti si trovano ad affrontare. Sebbene i dati sugli incidenti offrano alcune informazioni su vari sottoinsiemi di prestazioni (ad esempio, fattori come il tipo di veicolo o lo stato di ebbrezza del conducente), i corrispondenti dati VMT (Vehicle Miles Traveled, chilometraggio percorso) in genere non presentano un livello di dettaglio così elevato per un'analisi approfondita. Ad esempio, per poter confrontare i tassi di incidenti in base a fattori come l'intossicazione del conducente, sarebbe necessario conoscere il VMT (Vehicle Miles Traveled, chilometraggio percorso) dei conducenti in stato di ebbrezza o stimarlo. Si è dedicato molto meno impegno all'individuazione di specifici sottoinsiemi di conducenti per un'analisi completa del rischio di incidenti.
2.1.2. I risultati relativi all'impatto sulla sicurezza significano che Waymo è "sufficientemente sicura"?
Sebbene una riduzione statisticamente significativa rappresenti un vantaggio in termini di sicurezza (ovvero, ci sono meno incidenti), un'affermazione relativa a "sufficientemente sicuro" viene fatta attraverso il Safety Framework e il Safety Case di Waymo before il rilascio di una configurazione ADS. L'obiettivo della valutazione dell'impatto sulla sicurezza non è quello di stabilire quale sia o non sia un livello di sicurezza ragionevole per un sistema di guida automatizzata. Waymo utilizza il suo Struttura di sicurezza per determinare la prontezza di sicurezza secondo linee guida di approvazione per una determinata release candidate del software. Inoltre, attraverso il Safety Case viene condotta un'analisi indipendente dell'adeguatezza di tale processo. Un dossier di sicurezza è un modo formale per spiegare come uno sviluppatore di sistemi di guida autonoma (ADS) determina che il suo sistema è sufficientemente sicuro per essere impiegato su strade pubbliche senza un conducente umano. La valutazione di sicurezza include prove per determinare formalmente l'assenza di rischi irragionevoli. Comprende una spiegazione del sistema, delle metodologie e delle metriche utilizzate per convalidarlo e dei risultati effettivi dei test di validazione. Al contrario, le prove retrospettive fornite dal Safety Impact Data Hub svolgono un ruolo di validazione post-implementazione per il Safety Framework e il Safety Case. Questo ciclo di continuo rafforzamento della fiducia nei processi del Quadro di Sicurezza e del Caso di Sicurezza contribuisce anche a rafforzare la fiducia nel fatto che il processo produrrà risultati analoghi in termini di impatto sulla sicurezza man mano che Waymo si espanderà in nuove aree.
2.1.3. In che modo le prestazioni di Waymo variano a seconda delle diverse versioni software e hardware?
La maggior parte delle ricerche sull'impatto sulla sicurezza utilizza gli incidenti verificatisi su tutti i chilometri percorsi finora con la sola presenza del conducente (Rider-Only, RO). Nel corso del tempo, i chilometri percorsi da Waymo sono aumentati notevolmente, tanto che i dati più recenti rappresentano una percentuale maggiore dei chilometri percorsi da Waymo rispetto ai dati più datati. Analogamente alla domanda frequente "perché i confronti tra la guida di Waymo Rider-Only e i tassi di incidenti di riferimento non sono suddivisi in più categorie?", la suddivisione dei chilometri percorsi in porzioni più piccole riduce la potenza statistica dell'analisi, una limitazione comune riscontrata anche in altri settori critici per la sicurezza.
Raggruppare più versioni di software, o persino dati provenienti da diversi produttori, è una pratica comune nella ricerca sull'impatto sulla sicurezza condotta su sistemi di sicurezza preesistenti. Ad esempio, la ricerca dell'Istituto assicurativo per la sicurezza stradale e dell' consorzio PARTS Spesso si analizza una tecnologia come la frenata automatica d'emergenza o il sistema di prevenzione dell'uscita di corsia e si raggruppano diversi produttori per determinarne l'impatto complessivo. Analogamente, la ricerca di Waymo sull'impatto sulla sicurezza mostra l'impatto complessivo di Waymo Driver. Con l'aumentare dei chilometri percorsi, si presenta l'opportunità di valutare l'impatto di Waymo sulla sicurezza anche in periodi di tempo più brevi.
La ricerca di Waymo sull'impatto sulla sicurezza si propone di rispondere alla seguente domanda: "Qual è l'impatto di Waymo sulla sicurezza rispetto agli attuali tassi di incidenti stradali causati da veicoli guidati da esseri umani?" (lo status quo). Una domanda leggermente diversa, e altrettanto importante, è "come fa Waymo ad essere sicura che le nuove versioni di software e hardware siano sicure?" Per rispondere a questa seconda domanda, Waymo ha sviluppato un Struttura di sicurezza E Approccio basato sul caso di sicurezza. In breve, valutano le prestazioni di Waymo su ogni nuova configurazione candidata utilizzando una serie di metodologie che spaziano dall'architettura del veicolo al comportamento di guida e ai livelli operativi, confrontandole con i criteri di accettazione.
2.1.4. Qual è l'impatto di Waymo sul numero di vittime?
Waymo ha pubblicato una vasta gamma di parametri di riferimento, tra cui quelli relativi agli incidenti mortali, che verranno utilizzati nelle valutazioni future. Attualmente, i dati Waymo VMT non sono sufficienti per rilevare una significatività statistica nelle aree in cui operiamo e pertanto non separiamo la categoria dei soli decessi nei nostri report. Secondo i dati più recenti della NHTSA, Waymo Driver è intrinsecamente progettato per mitigare o eliminare le principali cause di incidenti mortali: eccesso di velocità, guida in stato di ebbrezza o distratta e passeggeri senza cinture di sicurezza. La categoria "lesioni gravi o peggio" comprende sia i feriti gravi che i decessi. Tutte le altre categorie di esito degli incidenti includono anche i decessi.
L'approccio di Waymo è stato quello di (a) pubblicare in modo proattivo parametri di riferimento, metodologia e obiettivi analitici previsti, (b) eseguire valutazioni su tali parametri di riferimento stabiliti quando le analisi di potenza precedentemente completate indicano che potrebbe essere rilevata una significatività e (c) pubblicare i risultati sul nostro hub di dati e in pubblicazioni scientifiche.
Come è accaduto per molte innovazioni in materia di sicurezza nella storia della sicurezza automobilistica, esistono altri modi per determinare il potenziale di una tecnologia prima che venga ampiamente implementata e che si accumulino chilometri. Ad esempio, il nostro ricerca Uno studio che ha ricostruito incidenti mortali con conducenti umani a Chandler, in Arizona, ha rilevato che il sistema di guida assistita Waymo ha evitato il 100% degli incidenti mortali simulati quando era lui a iniziare l'incidente e l'82% delle collisioni anche quando era lui a reagire. Questo tipo di studio, se abbinato al processo di valutazione della sicurezza di Waymo, dimostra che il conducente Waymo ha un enorme potenziale per ridurre gli infortuni gravi e mortali.
2.1.5. Qual è la differenza tra un tasso di incidenti con "lesioni gravi o peggio" e un tasso di incidenti con "qualsiasi esito mortale"?
Nella ricerca sulla sicurezza automobilistica, le lesioni a un certo livello o al di sopra di un certo livello sono comunemente studiate. Nel caso della nostra analisi, "lesioni gravi o peggiori" include sia le lesioni gravi sospette (indicate come lesioni di livello "A" o invalidanti sulla scala KABCO utilizzata nei rapporti di polizia negli Stati Uniti) sia le lesioni mortali (indicate come lesioni di livello "K" sulla scala KABCO). Waymo ha pubblicato dei parametri di riferimento che includono gli incidenti di livello "K", qualsiasi incidente mortale, come categoria a sé stante. Questo risultato non è attualmente riportato nell'ambito del Safety Impact Data Hub, ma intendiamo aggiungerlo in un secondo momento.
Se considerassimo solo gli "infortuni gravi" (ovvero gli infortuni di livello "A"), potremmo potenzialmente introdurre un tipo di bias di esclusione. Ad esempio, se un trattamento dovesse causare solo esiti fatali e pochissimi casi sospetti di lesioni gravi, si potrebbe erroneamente concludere che il trattamento sia molto più sicuro di quanto non sia in realtà, perché le lesioni "fatali" non verrebbero conteggiate. Aggiungendo la clausola “pari o superiore a”, evitiamo questa potenziale fallacia.
2.2. Esistono altri fattori non considerati nella ricerca sull'impatto sulla sicurezza che potrebbero influenzare l'interpretazione dei risultati?
2.2.1. Waymo è davvero autonomo se occasionalmente è necessario l'intervento umano per fornire assistenza da remoto?
La ricerca di Waymo sull'impatto sulla sicurezza analizza la differenza nei tassi di incidenti tra i veicoli Waymo e i conducenti umani che guidano in aree comparabili. L'assistenza remota consente al conducente Waymo di contattare un operatore umano per ottenere informazioni aggiuntive che lo aiutino a contestualizzare l'ambiente circostante in determinate situazioni difficili o insolite. L'assistenza remota è stata parte integrante della progettazione di Waymo Driver fin dall'inizio, ed è uno dei motivi per cui Waymo è stata in grado di espandere le proprie attività in sicurezza. Il programma di assistenza remota di Waymo ha ricevuto un audit indipendente di terze parti che dimostra che è conforme alle migliori pratiche del settore in questo ambito ed è effettivamente autonomo secondo le migliori pratiche del settore ( 1 , 2 ).
2.2.2. I veicoli autonomi sono in grado di gestire tutte le situazioni difficili che gli esseri umani affrontano nel corso della loro vita?
Attualmente, l'autista di Waymo percorre milioni di chilometri a settimana. Il sistema Waymo Driver possiede l'esperienza cumulativa di centinaia di vite umane alla guida, considerando i chilometri percorsi su strada e in simulazione. A questa scala, molte delle situazioni problematiche, come i pedoni che compaiono improvvisamente da dietro un'auto parcheggiata o un altro veicolo che non rispetta il semaforo rosso, si verificano regolarmente. Se il sistema di guida Waymo non fosse in grado di gestire molte delle situazioni complesse che gli esseri umani affrontano nel corso della loro vita, allora il tasso di incidenti di Waymo non sarebbe così inferiore a quello dei conducenti umani.
Waymo utilizza il suo Struttura di sicurezza per determinare la prontezza di sicurezza secondo linee guida di approvazione per una determinata release candidate del software. Inoltre, attraverso il Safety Case viene condotta un'analisi indipendente dell'adeguatezza di tale processo. Un dossier di sicurezza è un modo formale per spiegare come uno sviluppatore di sistemi di guida autonoma (ADS) determina che il suo sistema è sufficientemente sicuro per essere impiegato su strade pubbliche senza un conducente umano. La valutazione di sicurezza include prove per determinare formalmente l'assenza di rischi irragionevoli. Comprende una spiegazione del sistema, delle metodologie e delle metriche utilizzate per convalidarlo e dei risultati effettivi dei test di validazione.
2.2.3. Se i veicoli Waymo si spostano tra una corsa e l'altra (anche noto come "viaggio a vuoto"), l'assenza di una persona che potrebbe farsi male a bordo (perché non c'è un conducente) non comporta forse dei vantaggi in termini di sicurezza?
I risultati della ricerca di Waymo sull'impatto sulla sicurezza dimostrano che, rispetto allo stato attuale dei veicoli guidati da esseri umani, Waymo registra un numero inferiore di incidenti con feriti per miglio percorso. Uno dei vantaggi è che a volte non c'è nessuno nel veicolo Waymo (ad esempio, mentre il veicolo si sposta da o verso un deposito per la ricarica o tra una corsa e l'altra). È importante notare che le metriche esaminate dalla ricerca di Waymo sull'impatto sulla sicurezza considerano un infortunio a qualsiasi persona coinvolta nella sequenza dell'incidente, indipendentemente dal fatto che la persona si trovi o meno all'interno di un veicolo Waymo. Ciò include gli utenti vulnerabili della strada, come pedoni e ciclisti, o gli occupanti di altri veicoli coinvolti in un incidente. Pertanto, anche se il fatto che il veicolo Waymo sia a volte vuoto può apportare qualche vantaggio, è improbabile che questo vantaggio da solo spieghi la drastica riduzione degli incidenti con feriti registrata da Waymo (il veicolo potrebbe essere sempre vuoto e comunque essere coinvolto in incidenti che potrebbero ferire persone all'esterno del veicolo). Altri risultati, come le metriche relative all'attivazione degli airbag, non sono influenzati dal livello di occupazione del veicolo Waymo. Gli airbag dei veicoli Waymo si attiveranno indipendentemente dal fatto che ci siano occupanti a bordo. L'entità della riduzione degli airbag rispetto al valore di riferimento è simile alla riduzione degli incidenti con lesioni, il che rafforza la convinzione che i benefici osservati non dipendano in modo significativo dall'occupazione dei veicoli Waymo.
2.2.4. In quali scenari avete analizzato le prestazioni del conducente Waymo?
Allineare i dati di Waymo con quelli relativi agli incidenti e alla guida umana è uno dei fattori più importanti per effettuare un confronto equo e omogeneo dei tassi di incidenti (vedere la domanda 1.1 per maggiori dettagli sull'allineamento).
Abbiamo concentrato i nostri sforzi iniziali su tre componenti che riteniamo siano utili per la valutazione della sicurezza.
Gravità della collisione: definizione di diversi livelli, da quelli riportati dalla polizia a quelli con esito mortale.
Tipo di incidente (mostrato di seguito): la tipologia che abbiamo selezionato si basa su precedenti ricerche della NHTSA che evidenziano gli scenari di guida più impegnativi.
Tipologia di strada: analizziamo i tassi di incidenti distinguendo tra strade urbane e autostrade. Al momento disponiamo solo di un numero limitato di chilometri di autostrade, quindi ci concentriamo esclusivamente sulle strade urbane. Tuttavia, prevediamo di distinguere tra le due tipologie di strade nelle nostre pubblicazioni future, quando il VMT (Vehicle Miles Traveled, il chilometraggio totale percorso) consentirà un confronto statistico.
Ci stiamo impegnando attivamente per ampliare le prospettive analitiche che applichiamo alla valutazione di Waymo Driver. Tuttavia, siamo generalmente limitati dai dati disponibili sugli incidenti che coinvolgono esseri umani. Waymo si basa attivamente su dati relativi a incidenti e chilometraggio disponibili pubblicamente. Questi dati contengono informazioni limitate sui dettagli di ogni singolo incidente che coinvolge esseri umani. Al contrario, i dati di Waymo sono ricchi di informazioni grazie al nostro monitoraggio costante dei chilometri percorsi dai veicoli e alla nostra capacità di rilevare ogni incidente grazie alla nostra vasta gamma di sensori. Per ampliare la nostra analisi, stiamo continuamente valutando l'utilizzo di nuove fonti di dati con informazioni più dettagliate e ci rivolgiamo alla comunità scientifica più ampia per reperire analisi e dati che possano supportare la ricerca.
2.2.5. L'analisi dell'impatto sulla sicurezza tiene conto dei rischi derivanti dall'arresto improvviso dei veicoli a guida autonoma in mezzo alla strada?
Nell'analisi dell'impatto sulla sicurezza sono inclusi tutti gli incidenti che coinvolgono veicoli Waymo operanti in configurazione Rider-Only (RO). Pertanto, il rischio di collisione tra il veicolo Waymo che si ferma sulla carreggiata e un altro veicolo che successivamente entra in collisione con il veicolo Waymo fermo è incluso nell'impatto sulla sicurezza. Anche queste tipologie di incidenti con veicoli fermi sono incluse nel parametro di riferimento umano.
2.2.6. Perché non condividete le informazioni sui guasti relativi a queste collisioni?
Questa analisi ha incluso tutte le collisioni, indipendentemente da chi ne fosse responsabile e dalla colpa di Waymo. Inoltre, la questione della responsabilità nel causare o contribuire a una collisione è una questione di competenza giuridica. Detto questo, la recente revisione paritaria studio Uno studio condotto da Swiss Re ha dimostrato che, su una distanza di oltre 3,8 milioni di miglia, il sistema di guida Waymo ha ridotto del 76% la frequenza delle richieste di risarcimento per danni materiali e ha eliminato completamente le richieste di risarcimento per lesioni personali rispetto ai conducenti umani.
Citazione
Di Lillo, L., Gode, T., Zhou, X., Atzei, M., Chen, R., e Victor, T. (2024). Prestazioni di sicurezza comparative tra conducenti autonomi e umani: uno studio di caso reale con Waymo Driver. Eliyon, 10(14). https://doi.org/10.1016/j.heliyon.2024.e34379
Uno studio successivo, basato sui dati delle richieste di risarcimento assicurativo e attualmente in fase di revisione paritaria, ha rilevato che il servizio Waymo RO ha registrato riduzioni altrettanto significative rispetto agli esseri umani che hanno percorso oltre 25 milioni di miglia. Oltre a un parametro di riferimento umano complessivo, questo nuovo studio introduce anche un parametro di riferimento per i veicoli del "nuovo anno modello". I veicoli più recenti (ovvero quelli degli anni modello dal 2018 al 2021) hanno registrato tassi di richieste di risarcimento per danni materiali e lesioni personali inferiori rispetto alla popolazione complessiva. Waymo ha registrato una riduzione dell'88% delle richieste di risarcimento per danni materiali e del 92% delle richieste di risarcimento per lesioni personali rispetto alla popolazione complessiva, e una riduzione dell'86% delle richieste di risarcimento per danni materiali e del 90% delle richieste di risarcimento per lesioni personali. Tutte queste differenze erano statisticamente significative.
Citazione
Di Lillo, L., Gode, T., Zhou, X., Chen, R., e Victor, T. (2024). I veicoli a guida autonoma superano in prestazioni i veicoli di ultima generazione guidati da esseri umani? Un confronto con le richieste di risarcimento per responsabilità civile auto presentate da Waymo dopo 25 milioni di miglia. .
2.2.7. Qual è l'effetto di un potenziale aumento del chilometraggio percorso dai veicoli a guida autonoma sulla sicurezza netta complessiva?
Oggi, il servizio di Waymo è paragonabile ai servizi di trasporto passeggeri con conducente. I dati dimostrano che Waymo previene lesioni gravi o peggio, l'attivazione degli airbag e qualsiasi tipo di lesione segnalata in oltre l'80% dei casi. Affinché l'introduzione di Waymo porti a un aumento netto degli incidenti, Waymo dovrebbe incrementare il chilometraggio totale percorso dai veicoli di oltre l'80%, il che non sembra un'ipotesi realistica. Esistono numerosi studi che dimostrano che il VMT complessivo e il numero di veicoli in strada possono essere notevolmente ridotti con l'introduzione di veicoli autonomi condivisi (ad esempio 1, 2, 3, 4, 5 ).
2.3. Come si inserisce Waymo nel più ampio contesto della sicurezza stradale?
2.3.1. Perché non aspettare che la tecnologia sia perfetta prima di espandere la diffusione dei veicoli a guida autonoma?
La sicurezza stradale è un problema di salute pubblica e il Agenda 2030 per lo sviluppo sostenibile ha fissato l'ambizioso obiettivo di ridurre del 50% entro il 2030 i decessi e i feriti causati dagli incidenti stradali in tutto il mondo. UN studio della RAND Corporation Sono stati modellati gli scenari di implementazione dei sistemi di guida automatizzata (ADS) in base a diverse ipotesi, tra cui un sistema con un tasso di incidenti solo marginalmente inferiore a quello degli esseri umani, oppure la possibilità di attendere anni prima di implementare un sistema con un tasso di incidenti molto inferiore a quello degli esseri umani. I risultati hanno dimostrato che un intervento tempestivo potrebbe prevenire danni maggiori.
Waymo ha un quadro di sicurezza e approccio basato sulla valutazione della sicurezza che ha come obiettivo principale l'implementazione di un sistema Rider-Only (RO) privo di rischi irragionevoli (AUR). Questo obiettivo del caso di sicurezza viene raggiunto scomponendo i possibili pericoli del sistema in diverse dimensioni, impostando criteri di accettazione, E valutare sia le affermazioni che le prove prima dell'implementazione. Questo processo è progettato per garantire che il sistema di azionamento Waymo sia sufficientemente sicuro prima di essere distribuito.
2.3.2. I veicoli a guida autonoma potrebbero essere più sicuri dei conducenti umani, ma non dovremmo forse concentrare la nostra attenzione su altre soluzioni già esistenti?
Non è necessario scegliere una singola tecnologia o iniziativa politica per combattere la crisi della sicurezza stradale. I veicoli a guida autonoma, come il Waymo Driver, sono uno dei tanti strumenti disponibili per migliorare la sicurezza stradale. Waymo si impegna ad adottare un approccio di sistema sicuro e la Vision Zero, che prevede molteplici miglioramenti per strade più sicure, velocità più sicure, veicoli più sicuri, utenti della strada più sicuri e cure post-incidente più sicure. Molti miglioramenti in materia di sicurezza (come investimenti in strade più sicure, definizione di limiti di velocità sicuri, applicazione delle leggi sul traffico esistenti, miglioramento dell'uso delle cinture di sicurezza, riduzione della guida in stato di ebbrezza, per citarne alcuni) renderanno anche i viaggi con Waymo più sicuri. Waymo, come gran parte del settore, è un'azienda finanziata da privati. Come società, possiamo sostenere l'espansione dei veicoli a guida autonoma senza compromettere altri miglioramenti in materia di sicurezza.
Rispetto ad altre tecnologie per la sicurezza, i veicoli a guida autonoma rappresentano un'opportunità unica, grazie al loro impatto relativamente maggiore sulla sicurezza rispetto alla guida umana. Ad esempio, la frenata automatica d'emergenza riduce di circa il 50% gli incidenti con tamponamento (che rappresentano solo circa un quarto di tutti gli incidenti). In confronto, Waymo Driver riduce gli incidenti con lesioni di circa l'80% in tutte le tipologie di incidente, inclusi gli incidenti agli incroci e quelli che coinvolgono utenti vulnerabili della strada, dove le attuali tecnologie di sicurezza attiva non stanno ancora riducendo significativamente gli incidenti.
2.3.3. In che modo i veicoli automatizzati si inseriscono nell'approccio del Sistema Sicuro?
L'approccio Safe System, basato sul movimento globale Vision Zero, è un metodo sistematico che mira a eliminare gli infortuni gravi e mortali nel sistema di trasporto stradale. I veicoli automatizzati di Waymo rappresentano uno strumento prezioso nell'ambito del Sistema di Sicurezza, poiché sono progettati per seguire i principi di Vision Zero. Waymo richiede che tutti gli occupanti indossino la cintura di sicurezza. Waymo è progettato per rispettare i limiti di velocità e utilizza veicoli dotati delle più recenti caratteristiche di sicurezza passiva.
2.4. E per quanto riguarda i dati condivisi stessi?
2.4.1. Con quale frequenza vengono aggiornati i dati?
In questa analisi, utilizziamo dati disponibili pubblicamente, nello specifico i rapporti sugli incidenti di Waymo inviati ai sensi del Ordine generale permanente (SGO) della NHTSA — per consentire ad altri ricercatori di replicare i risultati. I dati visualizzati in questa pagina web vengono aggiornati costantemente in linea con le tempistiche di segnalazione SGO della NHTSA.
Oltre alla pubblicazione di nuovi dati, potremmo aggiornare la metodologia utilizzata per effettuare confronti tra il servizio Waymo RO (solo passeggero) e i parametri di riferimento umani. Le migliori pratiche nella valutazione retrospettiva dell'impatto sulla sicurezza sono una scienza in continua evoluzione. Quando apportiamo modifiche alla metodologia, comunicheremo tali modifiche e i loro effetti sui risultati e sull'interpretazione dei dati. Per maggiori dettagli, consultare i documenti delle note di rilascio disponibili nel download sezione.
2.4.2. Perché il download dei dati di Waymo SGO include la data dell'incidente, il luogo e il codice postale?
Queste informazioni sono importanti per analizzare e comprendere le collisioni e non sono disponibili nel documento NHTSA SGO. I dati successivi a giugno 2025 non hanno il codice postale, perché questo campo è stato rimosso dal modulo di segnalazione NHTSA SGO (vedi Emendamento SGO 3 ). Il campo relativo al codice postale è stato reintrodotto nel modulo di segnalazione SGO nel settembre 2025. Gli eventi SGO segnalati dopo settembre includono nuovamente il codice postale nel file di dati scaricato.
Safety Research
We’re actively conducting studies and publishing peer-reviewed findings on our safety methodologies, performance data, and more
Download Data
Miles per Geo
Chilometraggio totale percorso in ciascuna località (fino a dicembre 2025)
Download CSVCrashes with SGO identifier and group membership
Elenco dei casi con gruppo di esito e altre informazioni rilevanti sulla collisione (fino a dicembre 2025)
Download CSVCollision count and comparisons to benchmarks by outcome and location
Dati aggregati per esito e luogo (fino a dicembre 2025)
Download CSVGeographic distribution of benchmark and Waymo RO miles
Conteggio dei crash di riferimento umani per diversi livelli di esito, miglia percorse da veicoli umani (VMT) e miglia Waymo RO segnalate dalla cella S2 fino a dicembre 2025. Queste informazioni possono essere utilizzate per riprodurre le regolazioni dinamiche del 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