Waymo భద్రతా వాదన పరిమిత క్రాష్ పోలికలపై ఆధారపడుతోంది

Waymo యొక్క తాజా భద్రతా పెరుగుదల కొన్ని ముఖ్యమైన హెచ్చరికలతో వస్తోంది

Insurance Institute for Highway Safety, Waymo యొక్క driverless వాహనాలకు అనుకూలంగా నిలిచింది, సంస్థ యొక్క robotaxis మానవ డ్రైవర్ల కంటే తక్కువగా క్రాష్ అవుతాయని వాదిస్తూ. కానీ మూల పాఠ్యంలో వివరించినట్లుగా, ఆ నిర్ధారణకు ఆధారం అనుమానాల శృంఖల మరియు హెడ్‌లైన్ సూచించేదానికంటే చాలా సంకుచితమైన dataset.

అది విశ్లేషణను అర్థరహితం చేయదు. కానీ autonomous driving safetyపై ఇది తుది తీర్పు కాకుండా, ప్రారంభ దశ, షరతులతో కూడిన పోలికగా చదవాలని అర్థం. ప్రధాన సమస్య సులభం: autonomous వాహనాల crash reporting మరియు మానవ డ్రైవర్ల crash reporting నేరుగా సరిపోవడం లేదు, మరియు పరిశ్రమవ్యాప్త exposure data అసంపూర్ణంగా ఉన్నాయి.

California 2014 నుంచే autonomous crash reporting ని తప్పనిసరి చేసింది, మరియు National Highway Traffic Safety Administration 2021 నుంచే అదే తరహా reporting ని కోరుతోంది. కానీ ఆ ప్రమాణాలు సాధారణ డ్రైవర్లకు ఉపయోగించే reporting systems‌కి భిన్నం. అత్యంత ముఖ్యమైన normalizing measures‌లో ఒకటి అయిన total vehicle miles traveled, Department of Transportation traffic reports ద్వారా మానవ డ్రైవింగ్ కోసం పెద్ద స్థాయిలో అందుబాటులో ఉంది. Autonomous వాహనాల కోసం, ఆ గణాంకాన్ని సాధారణంగా వెల్లడించాల్సిన అవసరం లేదు.

Waymo స్వచ్ఛందంగా mileage dataని ప్రచురిస్తుంది. ఇతర autonomous vehicle కంపెనీలు సాధారణంగా అలా చేయవు. ఆ ఒక్క నిజం విశ్లేషణను ఆకృతీకరించింది, మరియు broader autonomous vehicle field కంటే Waymo పై పోలిక ఎందుకు కేంద్రీకృతమైంది అన్నదాన్ని చాలావరకు వివరించింది.

IIHS నిజంగా ఏమి పోల్చింది

మూల పాఠ్యం ప్రకారం, 2021 నుంచి 2024 వరకు autonomous crash reports‌పై పోలిక చేయడానికి ముందు IIHS గణనీయమైన data cleaning చేయాల్సి వచ్చింది. పరిశోధకులు duplicate records‌ను తొలగించి, automation పనిచేయని, వాహనం public road‌పై లేని, లేదా నిజమైన crash జరగని సంఘటనలను తొలగించారు.

దానితో మరో సమస్య వచ్చింది: ప్రతి reported autonomous-vehicle సంఘటన సాధారణంగా పోలీస్-నివేదనకు అర్హమైన human-driver datasets‌లో కనిపించే crash రకాలతో సరిగ్గా సరిపోదు. కాబట్టి, సమానమైన మానవ డ్రైవింగ్ పరిస్థితుల్లో ఆ crash పోలీస్‌కు నివేదించబడేదో లేదో ఆధారంగా institute ఒక అదనపు screen‌ను ఉపయోగించింది.

మూల పాఠ్యం ఆ నిర్ణయాలకు ఉదాహరణలు ఇస్తుంది. ఎవరో నొప్పి ఉన్నట్లు చెప్పి సంఘటన స్థలం వదిలి వెళ్లిపోతే, పరిశోధకులు ఆ సంఘటనను పోలీస్-నివేదనకు అర్హం అయ్యే అవకాశం తక్కువగా కోడ్ చేశారు. Airbag deploy అయితే, ఆ crash‌ను పోలీస్-నివేదనకు అర్హంగా కోడ్ చేశారు, ఎందుకంటే ఎక్కువ ప్రభావం ఉన్న collision మరియు repair costs సాధారణంగా ఇతర నష్టం లేదా గాయాల వివరాలు ఏవైనా సరే ఆ వర్గంలోకి తీసుకెళ్తాయి.

ఈ ప్రక్రియ ముఖ్యమైనది, ఎందుకంటే ఇది ఉపయోగించగల dataset‌ను గణనీయంగా తగ్గించింది. చివరికి, autonomous crash dataలో నాలుగో వంతు కంటే తక్కువ భాగాన్ని మాత్రమే తుది పోలిక కోసం ఉపయోగించవచ్చని మూల పాఠ్యం చెబుతుంది. automation active‌గా ఉన్న 736 public-road crashesలో, IIHS అంచనా ప్రకారం కేవలం 22% మాత్రమే పోలీస్-నివేదనకు అర్హమయ్యే అవకాశముంది.

ఆ ఉపసమితిలో Waymo వాహనాలకు సంబంధించిన 89 crashes, Cruiseకి సంబంధించిన 50, Zooxకి సంబంధించిన 10, మరియు ఇతర కంపెనీలకు సంబంధించిన 10 ఉన్నాయి. Mileage figures కేవలం Waymoకి మాత్రమే అందుబాటులో ఉండటంతో, institute Waymo crash counts‌ను ఉపయోగించి తాను చేయాలనుకున్న self-driving comparison‌ను లెక్కించింది.

ఫలితం హెడ్‌లైన్‌ కంటే ఎందుకు సంకుచితం

మొట్టమొదట చూస్తే, Waymo మానవ డ్రైవర్ల కంటే తక్కువగా క్రాష్ అవుతుందని చెప్పే వాదన autonomous driving గురించి విస్తృతమైన ప్రకటనలా అనిపిస్తుంది. కానీ ఇక్కడ వివరించిన ఆధారం చాలా సంకుచితం. ఇది ప్రత్యేకంగా autonomous crashes యొక్క filtered subset, harmonized reporting standard ద్వారా తీర్మానించబడినది, మరియు ఆ సమాచారాన్ని వెల్లడించడానికి ఎంచుకునే ఒకే కంపెనీ mileage exposure dataతో జత చేయబడింది.

అంటే, ఈ విశ్లేషణ ప్రతి రోడ్డులో, ప్రతి ప్రాంతంలో, ప్రతి వాతావరణంలో, మరియు ప్రతి failure mode‌లో robotaxis versus peopleకి సంబంధించిన సాధారణ ranking కాదు. దీన్ని మొదట అందుకోడానికి రూపొందించని data systems నుంచి like-for-like comparison‌ను వెలికితీయడానికి చేసిన ప్రయత్నంగా అర్థం చేసుకోవడం మంచిది.

మూల వ్యాసంలోని సందేహం ఆ సమస్యనే ప్రతిబింబిస్తుంది. పోలిక సాధ్యమయ్యే ముందు పెద్ద సంఖ్యలో సంఘటనలను తొలగించాల్సి వచ్చినా లేదా మళ్లీ వర్గీకరించాల్సి వచ్చినా, పాఠకులు dataset నిర్మాణంపై కూడా దృష్టి పెట్టాలి, కేవలం తుది నిర్ధారణపై కాదు. ఒక method సమంజసంగా ఉండొచ్చు, అయినప్పటికీ పరిమితంగానే ఉండవచ్చు.

అదే సమయంలో, ఈ exercise ఒక నిజమైన policy gap‌ను చూపిస్తుంది. Autonomous vehicle testing మరియు deployment public roads‌పై అంత దూరం వచ్చాయి కాబట్టి crash claims ఇప్పుడు regulation, insurance, urban policy, మరియు public trust‌ను ప్రభావితం చేస్తున్నాయి. అయినప్పటికీ, disclosure rules autonomous systems‌ను మానవ డ్రైవర్లతో సుసంగతంగా పోల్చడం ఇంకా కష్టంగా చేస్తూనే ఉన్నాయి.

పెద్ద సమస్య transparency

మూల పాఠ్యం నుండి బలమైన takeaway ఏమిటంటే, Waymo మానవ డ్రైవర్ల కంటే సురక్షితమా లేదా తక్కువ సురక్షితమా అన్నది కాదు. ప్రజలకు ఇంకా అటువంటి claims‌ను అంచనా వేయడానికి standardized, industrywide framework లేదనే విషయం కావొచ్చు. కంపెనీలలో mileage reporting తప్పనిసరి కాకపోతే, per-mile crash rates‌ను sector అంతటా లెక్కించలేం. incident severity మరియు reporting thresholds కోసం common definitions లేకపోతే, raw crash counts కూడా తప్పుదారి పట్టించవచ్చు.

Mileage dataని ప్రచురించడానికి Waymo చూపిన సిద్ధత, exposure-adjusted safety metrics‌పై ఆధారపడే ఏ చర్చలోనైనా దానికి advantage ఇస్తుంది. ఇది researchersకు ఉపయోగపడుతుంది, కానీ అసమానమైన evidence landscape‌ను కూడా సృష్టిస్తుంది. ఎక్కువ సమాచారం వెల్లడించే కంపెనీలను మరింత దగ్గరగా అధ్యయనం చేయవచ్చు, తక్కువ వెల్లడించేవాటితో పోల్చడం కష్టంగా మిగులుతుంది.

Regulators మరియు safety researchers‌కు ఇది స్పష్టమైన తదుపరి దశను సూచిస్తుంది: autonomous vehicles కోసం reporting systems fragmented disclosure మరియు category mismatchesను దాటి అభివృద్ధి చెందాలి. పెద్ద స్థాయిలో మానవ డ్రైవింగ్‌ను భర్తీ చేయాలనో, లేదా దానికి తోడ్పాటునివ్వాలనో భావించే రంగం, ad hoc comparisons‌పై నిరంతరం ఆధారపడలేడు.

మెరుగైన standards నిజంగా తమ systems మనుషులకంటే మెరుగ్గా పనిచేస్తాయని నమ్మే కంపెనీలకూ సహాయపడతాయి. ఆధారం బలంగా ఉంటే, consistent public reporting regime అది చూపడం సులభతరం చేస్తుంది. ఆధారం బలహీనంగా ఉంటే, అదే standards అతి తొందరగా చేసే claims accepted wisdomగా మారకుండా నిరోధిస్తాయి.

ఇప్పుడే ఏమి చెప్పవచ్చు

ఇచ్చిన మూల పాఠ్యాన్ని ఆధారంగా, IIHS 2021 నుంచి 2024 వరకు ఉన్న శుద్ధి చేసిన autonomous crash records మరియు Waymo స్వచ్ఛందంగా పంచుకున్న mileage dataను ఉపయోగించి Waymoకు అనుకూలమైన safety conclusion‌ను ముందుకు తెచ్చింది. Automation active‌గా ఉన్న 736 public-road crashesలో కేవలం 22% మాత్రమే మానవ-డ్రైవర్ reporting‌కు దగ్గరగా ఉన్న ప్రమాణాల ప్రకారం పోలీస్-నివేదనకు అర్హమయ్యే అవకాశం ఉందని institute అంచనా వేసింది. ఆ సంకుచిత సమూహంలో 89 Waymo వాహనాలకు సంబంధించినవి, మరియు భద్రతా పోలిక కోసం mileage data అందుబాటులో ఉన్న ఏకైక కంపెనీ Waymo మాత్రమే.

ఇది అధ్యయనాన్ని గమనించదగ్గదిగా చేయడానికి సరిపోతుంది. కానీ autonomous driving safetyపై తుది సమాధానంగా పరిగణించడానికి సరిపోదు. ఈ విశ్లేషణ పరిశ్రమ ఎంత దూరం వచ్చిందో, మరియు ప్రాథమిక measurement infrastructure ఇంకా ఎంత లోపించిందో చూపిస్తుంది.

ఆ అర్థంలో, ఈ అధ్యయనం definitive scorecardగా కాకుండా, robotaxis‌ను మానవ డ్రైవర్లతో పోల్చడానికి పరిశోధకులు ఈరోజు ఏం చేయాల్సి వస్తుందో చూపించే demonstration‌గా మరింత విలువైనదిగా ఉండొచ్చు. Autonomous వాహనాలు భద్రతపై ప్రజల నమ్మకాన్ని గెలుచుకోవాలంటే, భవిష్యత్ అధ్యయనాలకు తక్కువ statistical triage, మరింత standardized evidence అవసరం.

ఈ వ్యాసం Jalopnik నివేదిక ఆధారంగా ఉంది. మూల వ్యాసాన్ని చదవండి.