分析在不断变化的操作条件下自动驾驶汽车安全性能的进展

自动驾驶（AV）技术的部署为地面交通的变革带来了巨大的潜力，可能带来经济活动和运营效率的转变。尽管公众对完全自动驾驶或高度自动驾驶车辆（HAVs）的兴趣很大，但许多乐观的时间表已被复杂的运营现实和不断发展的安全性能指标所制约。目前的进展侧重于增强基于规则的算法，并利用在人类驾驶行为上训练的深度学习网络来提高系统可靠性。

安全性能的一个关键指标是脱离率，它衡量自动系统发生故障或需要人工干预的实例。一个关键的安全性能指标是脱离率，它衡量的是自动驾驶系统发生故障或需要人工干预的实例。该指标用于将自动驾驶汽车（AV）的安全性能与人类驾驶的事故率进行基准比较。然而，对该比率的解读受到几个因素的复杂影响。例如，不同司法管辖区的​​数据收集方法各不相同，这意味着直接比较具有挑战性。例如，加利福尼亚州机动车管理局发布了有关脱离率和自动驾驶里程的具体统计数据，这使得像Waymo这样的公司可以对性能进行更细致的跟踪。对Waymo在加州的测试里程数据分析显示，脱离事件的性能存在波动，而不是持续下降。在过去的十年里，尽管测试里程大幅增加，但脱离率并未显示出稳步的改善。这一趋势表明，自动驾驶系统（AV）的安全性性能不仅取决于技术改进，还与其测试和部署环境的复杂性和多样性内在相关。测试条件的多元化——包括从阳光充足地区到冬季道路测试的转变，以及从地面街道到高速公路的扩展——引入了影响系统性能的新变量，并需要持续的算法适应。

尽管测试范围扩大，但脱离率缺乏稳步改善的现象表明，实现稳健的安全性性能不仅需要技术迭代，还需要对不同现实世界条件下的环境变化和系统集成采取系统性的管理方法。观察到尽管测试范围扩大，但脱离率没有出现稳定的改善，这表明实现稳健的安全性能不仅需要技术迭代，还需要对各种真实世界条件下的环境变化和系统集成采取系统性管理方法。这一发现对未来政策具有启示意义，表明监管框架需要考虑到监督自动驾驶汽车不断演变的操作环境，尤其是在这些系统从受控测试向更复杂环境的商业应用过渡时。重点应继续放在开发用于评估系统可靠性的综合方法上，以应对不同的操作环境。