[論文レビュー] Comparability of Automated Vehicle Crash Databases

Noah J. Goodall|arXiv (Cornell University)|Aug 1, 2023

Autonomous Vehicle Technology and Safety被引用数 5

ひとこと要約

本研究は、自動運転車（AV）と人的運転車の衝突データベースの類似性を評価し、管轄区域ごとの衝突深刻度の閾値、報告方法、データ収集方法に顕著な不整合が存在することを特定した。AVの安全性評価および規制意思決定の信頼性を向上させるために、衝突定義の標準化、露出データの統合、電子的データレコーダーの義務化を提言する。

ABSTRACT

Introduction: This paper reviewed current driving automation (DA) and baseline human-driven crash databases and evaluated their comparability. Method: Five sources of DA crash data and three sources of human-driven crash data were reviewed for consistency of inclusion criteria, scope of coverage, and potential sources of bias. Alternative methods to determine vehicle automation capability using vehicle identification number (VIN) from state-maintained crash records were also explored. Conclusions: Evaluated data sets used incompatible or nonstandard minimum crash severity thresholds, complicating crash rate comparisons. The most widely-used standard was "police-reportable crash," which itself has different reporting thresholds among jurisdictions. Although low- and no-damage crashes occur at greater frequencies and have more statistical power, they were not consistently reported for automated vehicles. Crash data collection can be improved through collection of driving automation exposure data, widespread collection of crash data form electronic data recorders, and standardization of crash definitions. Practical Applications: Researchers and DA developers may use this analysis to conduct more thorough and accurate evaluations of driving automation crash rates. Lawmakers and regulators may use these findings as evidence to enhance data collection efforts, both internally and via new rules regarding electronic data recorders.

研究の動機と目的

• 既存の自動運転車（AV）および人的運転車の衝突データベースの整合性と類似性を評価すること。
• 管轄区域ごとの衝突深刻度の閾値、含める基準、データ収集方法に差異が生じていることを特定すること。
• 州の衝突記録から車両識別番号（VIN）を用いて自動運転レベルを推定する可能性を評価すること。
• より信頼性の高いAV安全性評価のためのデータ収集方法の改善を提言すること。

提案手法

• 含まれる基準、範囲、潜在的なバイアスを含め、5つの自動運転車衝突データベースと3つの人的運転車衝突データベースを調査した。
• 特に「警察報告義務付き衝突」という基準における、異なる管轄区域間での最小衝突深刻度の閾値の差を分析した。
• 州が管理する衝突記録から得られるVINデータを用いて、車両の自動運転能力を特定する代替手法を検討した。
• 電子的データレコーダーが衝突データの正確性と完全性を向上させる役割を評価した。
• 低損傷および損傷なしの衝突がAV安全性分析に与える統計的パワーを評価した。
• 衝突定義の標準化と露出データの統合を提言し、データ類似性を向上させた。

実験結果

リサーチクエスチョン

• RQ1 現在の自動運転車衝突データベースは、衝突の分類にどの程度一貫した深刻度の閾値を使用しているか？
• RQ2 管轄区域ごとに異なる「警察報告義務付き衝突」の定義は、AV安全性指標の類似性にどのように影響するか？
• RQ3 車両識別番号（VIN）は、既存の衝突記録から運転自動化レベルを信頼性高く推定するために使用できるか？
• RQ4 低損傷および損傷なしの衝突の報告が不整合である場合、AV安全性評価にどのような影響を与えるか？
• RQ5 電子的データレコーダーと標準化された定義は、AV衝突データの信頼性をどのように向上させられるか？

主な発見

• 衝突報告に最も広く使われている基準「警察報告義務付き衝突」は、管轄区域ごとに閾値が不一致であり、管轄区域間比較の根拠を損なっている。
• 自動運転車衝突データベースは、互換性のないまたは非標準的な最小深刻度の閾値を用いており、衝突率の比較を複雑にしている。
• 頻繁に発生し、統計的パワーが大きい低損傷および損傷なしの衝突は、自動運転車に関しては一貫して報告されていない。
• 州の衝突記録から得られる車両識別番号（VIN）は、自動運転レベルを推定するために使用可能だが、データシステムが適切に構造化され且つアクセス可能でない限り、限界がある。
• 衝突定義の標準化に加え、電子的データレコーダーの広範な使用が、データ類似性と信頼性の向上に不可欠である。
• 正確な衝突率の計算を可能にするために、自動運転車の走行距離（AV走行マイル）の露出データを衝突データとともに収集すべきである。