兰德-The-Enemy-of-Good_-Estimating-the-Cost-of-Waiting-for-Nearly-Perfect-Automated-Vehicles_54页_1mb

报告摘要

《The Enemy of Good: Estimating the Cost of Waiting for Nearly Perfect Automated Vehicles》总结

核心内容

本报告探讨了在引入高度自动化车辆（HAVs）时，如何在安全性和实用性之间取得平衡。研究指出，尽管HAVs在理论上可以显著提高道路安全性，但等待其达到“完美”状态可能错失拯救生命的良机。报告通过使用RAND Model of Automated Vehicle Safety (MAVS)，评估了在不同安全标准下引入HAVs对道路安全的影响。

主要观点

HAVs的定义与分类：
- 根据SAE国际的分类，HAVs指的是达到Level 3、4或5自动化级别的车辆，即在特定条件下或所有条件下完全由自动化系统执行动态驾驶任务（DDT）。
- 非HAVs则包括Level 0、1或2的车辆，其中驾驶员仍需承担部分或全部驾驶责任。
道路安全评估的挑战：
- 由于技术的颠覆性，未来道路安全的评估面临高度不确定性。
- 实际驾驶经验是提高HAVs安全性的关键，而实验室或模拟测试无法完全替代。
安全性能的衡量与标准：
- 报告提出了三种政策选项：
  - Improve10：当HAVs的安全性能比普通驾驶员提高10%时即可引入。
  - Improve75：当HAVs的安全性能比普通驾驶员提高75%时才可引入。
  - Improve90：当HAVs的安全性能比普通驾驶员提高90%时才可引入。
短期与长期的生命拯救效果：
- 在**短期（15年）**内，Improve10政策在几乎所有情况下都能显著减少交通事故致死人数，最多可挽救数十万至数百万生命。
- Improve75和Improve90政策在短期内仅能挽救少量生命（最多约3000人），且随着时间推移，这些收益会逐渐消失。
- 在**长期（30年）**内，Improve10政策的累计生命拯救效果远高于其他两种政策，可挽救超过50万生命。
社会接受度与政策制定：
- 社会接受度是影响HAVs推广的重要因素。人们通常对机器错误容忍度较低，即使这些错误与人类驾驶错误相比并不严重。
- 因此，政策制定者需要在技术安全性与社会接受度之间找到平衡，不能只关注技术上的“完美”。

关键信息

测试方法：
- 报告采用了**Robust Decision Making (RDM)**方法，对数百种可能的未来条件进行模拟，以评估不同政策下的道路安全结果。
数据与模型：
- 使用MAVS模型进行分析，该模型综合了多种因素，包括驾驶里程、安全性能改进速度、技术发展不确定性等。
- 模型结果显示，Improve10政策在多数情况下能带来最大的生命拯救效果。
现实意义：
- 等待HAVs达到“完美”状态会错失拯救生命的良机。
- 早期引入HAVs虽然可能带来一些事故，但总体上能减少道路死亡人数。
行业与政策背景：
- 美国每年因交通事故导致超过3万至3.7万人死亡，数百万人受伤，经济损失巨大。
- HAVs可能减少因人类失误导致的事故，但也会带来新的风险，如极端天气、复杂环境下的性能问题、网络安全威胁等。
研究结论：
- 在一个功利主义社会中，HAVs应尽早引入，只要其安全性能优于普通驾驶员。
- 政策制定者应考虑社会接受度与技术安全性之间的平衡，而非一味追求“完美”。

政策建议

尽早引入HAVs：在安全性能达到10%提升时即可引入，以尽快减少交通事故带来的生命损失。
平衡技术发展与社会接受度：政策应允许技术逐步改进，同时关注公众对HAVs的接受度。
鼓励多样化测试方法：包括实际道路测试、模拟测试、封闭场地测试等，以提高HAVs的安全性和可靠性。

参考文献与支持

报告由RAND Corporation发布，基于其长期对智能系统研究的积累。
研究受到Zwick Impact Fund、RAND Justice, Infrastructure, and Environment Advisory Board等机构的支持。
作者Nidhi Kalra与David G. Groves在研究中保持了学术独立性，未受其配偶所在公司的任何影响。

结论

本研究强调，等待HAVs达到“完美”状态可能成为“完美之敌”，即阻碍了技术的早期应用，从而错失拯救生命的机会。通过科学分析与模型预测，报告建议政策制定者应采取更为灵活和务实的标准，以在保障安全的同时，推动技术的快速发展与广泛应用。

展开完整摘要

试读结束，高清完整版pdf/doc/ppt,请点下载