[논문 리뷰] Comparability of Automated Vehicle Crash Databases

Noah J. Goodall|arXiv (Cornell University)|2023. 08. 01.

Autonomous Vehicle Technology and Safety인용 수 5

한 줄 요약

이 연구는 자율주행차(AV)와 운전사가 운전하는 차량의 사고 데이터베이스 간 비교 가능성에 대해 평가하며, 다양한 지방정부 간 사고 심각도 기준, 보고 방식, 데이터 수집 방법에 있어 심각한 일관성 없는 점을 밝혀냈다. 연구는 사고 정의의 표준화, 노출 데이터 통합, 의무적인 전자 데이터 레코더 사용을 제안하여 자율주행차 안전 평가 및 규제 결정의 신뢰성을 향상시키고자 한다.

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.

연구 동기 및 목표

• 기존 자율주행차(AV) 및 운전사가 운전하는 차량의 사고 데이터베이스 간 일관성과 비교 가능성 평가
• 지역 간 사고 심각도 기준, 포함 기준, 데이터 수집 방식의 격차 식별
• 차량 식별번호(VIN)를 활용해 주로 유지되는 주 정부 사고 기록에서 자율주행 수준을 유추할 수 있는지 평가
• 더 신뢰할 수 있는 자율주행차 안전 평가를 위한 데이터 수집 방식 개선 방안 제안

제안 방법

• 포함 기준, 범위, 잠재적 편향을 고려해 다섯 개의 자율주행차 사고 데이터베이스와 세 개의 운전사가 운전하는 차량의 사고 데이터베이스를 검토
• 다양한 지방정부 간 최소 사고 심각도 기준, 특히 '경찰 보고 필요 사고' 기준의 변동성 분석
• 주 정부가 유지하는 사고 기록에서 얻은 VIN 데이터를 활용해 차량 자율주행 능력을 판단할 수 있는 대체 방법 탐색
• 전자 데이터 레코더가 사고 데이터의 정확성과 완전성 향상에 기여하는 역할 평가
• 저손상 및 무손상 사고가 자율주행차 안전 분석에 있어 통계적 검정력에 미치는 영향 평가
• 사고 정의의 표준화 및 노출 데이터 통합을 통해 데이터 비교 가능성 향상 방안 제안

실험 결과

연구 질문

• RQ1 현재 자율주행차 사고 데이터베이스는 사고 분류를 위한 일관된 심각도 기준을 얼마나 잘 사용하고 있는가?
• RQ2 지역 간 '경찰 보고 필요 사고' 정의의 차이가 자율주행차 안전 지표의 비교 가능성에 어떤 영향을 미치는가?
• RQ3 기존 사고 기록에서 차량 식별번호(VIN)를 신뢰성 있게 활용해 주행 자율주행 수준을 유추할 수 있는가?
• RQ4 저손상 및 무손상 사고의 일관성 없는 보고 방식이 자율주행차 안전 평가에 어떤 영향을 미치는가?
• RQ5 전자 데이터 레코더와 표준화된 정의는 자율주행차 사고 데이터의 신뢰성 향상에 어떻게 기여할 수 있는가?

주요 결과

• '경찰 보고 필요 사고'로 널리 사용되는 표준은 지역 간 일관성 없는 기준을 가지고 있어, 지방 간 비교를 약화시킨다.
• 자율주행차 사고 데이터베이스는 상호 호환되지 않거나 비표준인 최소 심각도 기준을 사용하고 있어, 사고율 비교를 어렵게 한다.
• 더 자주 발생하고 통계적 검정력이 높은 저손상 및 무손상 사고는 자율주행차에 대해 일관성 없이 보고되고 있다.
• 주 정부 사고 기록에서 확보한 차량 식별번호(VIN)는 자율주행 수준을 유추하는 데 사용될 수 있지만, 데이터 시스템의 체계적이고 접근 가능한 구조가 필요하다.
• 사고 정의의 표준화와 전자 데이터 레코더의 광범위한 사용은 데이터 비교성과 신뢰성 향상에 필수적이다.
• 정확한 사고율 계산을 위해 자율주행차 주행 거리 노출 데이터는 사고 데이터와 함께 수집되어야 한다.