[论文解读] Comparability of Automated Vehicle Crash Databases

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

Autonomous Vehicle Technology and Safety被引用 5

一句话总结

本研究评估了自动驾驶汽车（AV）与人工驾驶事故数据库的可比性，识别出不同司法管辖区在事故严重程度阈值、报告实践和数据收集方法方面存在显著不一致。研究建议统一事故定义、整合行驶暴露数据，并强制使用电子数据记录仪，以提高自动驾驶汽车安全评估和监管决策的可靠性。

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.

研究动机与目标

• 评估现有自动驾驶汽车（AV）与人工驾驶事故数据库的一致性与可比性。
• 识别不同司法管辖区在事故严重程度阈值、纳入标准和数据收集实践方面的差异。
• 评估利用车辆识别号码（VIN）从州级事故记录中推断自动化水平的可行性。
• 提出改进数据收集实践的建议，以实现更可靠的自动驾驶汽车安全评估。

提出的方法

• 审查了五个自动驾驶汽车事故数据库和三个人工驾驶事故数据库的纳入标准、范围及潜在偏差。
• 分析了不同司法管辖区在最低事故严重程度阈值方面，特别是“需警方报告的事故”标准的差异。
• 探索了利用州级事故记录中车辆识别号码（VIN）数据推断车辆自动化能力的替代方法。
• 评估了电子数据记录仪在提升事故数据准确性与完整性方面的作用。
• 评估了低损坏和无损坏事故在自动驾驶汽车安全分析中的统计功效。
• 提出统一事故定义并整合暴露数据，以增强数据可比性。

实验结果

研究问题

• RQ1 当前自动驾驶汽车事故数据库在分类事故时，其严重程度阈值的一致性程度如何？
• RQ2 不同司法管辖区对“需警方报告的事故”定义的差异，如何影响自动驾驶汽车安全指标的可比性？
• RQ3 能否可靠地利用车辆识别号码（VIN）从现有事故记录中推断驾驶自动化水平？
• RQ4 对低损坏和无损坏事故报告不一致，对自动驾驶汽车安全评估有何影响？
• RQ5 电子数据记录仪与标准化定义如何提升自动驾驶汽车事故数据的可靠性？

主要发现

• 最广泛使用的事故报告标准——“需警方报告的事故”——在不同司法管辖区的阈值不一致，削弱了跨司法管辖区比较的可靠性。
• 自动驾驶汽车事故数据库采用不兼容或非标准的最低严重程度阈值，使事故率比较变得复杂。
• 低损坏和无损坏事故发生频率更高，且统计功效更强，但其报告在自动驾驶汽车中存在不一致性。
• 州级事故记录中的车辆识别号码（VIN）可用于推断自动化水平，但前提是数据系统结构合理且可访问。
• 统一事故定义并广泛使用电子数据记录仪，对于提升数据可比性与可靠性至关重要。
• 应与事故数据同步收集自动驾驶汽车行驶里程的暴露数据，以实现准确的事故率计算。