Guten Morgen allerseits. Vielen Dank, dass Sie heute hier sind. Mein Name ist Simin. Ich bin derzeit Doktorandin im fünften Jahr am Department of Statistics der Virginia Tech und war früher Sommerpraktikantin in der Gruppe „Design of Experiments & Reliability“ bei JMP. Heute zeige ich Ihnen, wie JMP Zuverlässigkeitsanalysen zur Bewertung der Sicherheit autonomer Fahrzeuge und des aufstrebenden Bereichs der künstlichen Intelligenz unterstützt. Der Titel meines heutigen Vortrags lautet „Exploring Autonomous Vehicle Safety: A Reliability Analysis Powered by JMP“.
Bevor ich in meinen heutigen Vortrag eintauche, möchte ich kurz etwas über mich erzählen, damit mich alle besser kennenlernen können. Mein Name ist Simin, ich bin Doktorandin im fünften Jahr am Department of Statistics der Virginia Tech. Go Hokies! Meine Forschung konzentriert sich auf die Zuverlässigkeit von KI-Systemen, KI-gestützte statistische Analysen und die Leistungsbewertung großer Sprachmodelle. Ja, ich bin nicht derjenige, der große Sprachmodelle erstellt, aber ich teste deren Robustheit und Zuverlässigkeit. Mein Forschungsinteresse deckt sich eng mit der Mission unseres Teams, daher passt die Mitgliedschaft im DoE and Reliability Group hervorragend zu mir.
Neben meiner Forschung engagiere ich mich auch in verschiedenen beruflichen Aktivitäten und Organisationen. Ich bin leitender Statistikmitarbeiter der Statistical Applications and Innovation Group (SAIG), die statistische Beratungsdienste auf dem gesamten Campus der Virginia Tech anbietet. Außerdem engagiere ich mich als Ausschussmitglied für Unternehmenspartnerveranstaltungen im Fachbereich Statistik. Kürzlich wurde ich zur Sekretärin der Mu Sigma Rho, Virginia Tech Chapter, ernannt, wo ich das Engagement und die Aktivitäten der Studierenden unterstütze.
Ich weiß, dass sich diese Präsentation an ein breites Publikum von JMP-Anwendern richtet. Einige von Ihnen fragen sich vielleicht: Was genau ist Zuverlässigkeit? Wenn wir an Zuverlässigkeit denken, fallen uns einige Schlüsselbegriffe ein: Beständigkeit, Robustheit, Vertrauen, bewährt, getestet, zuverlässig. All diese Begriffe assoziieren wir ganz selbstverständlich mit Zuverlässigkeit, und sie gelten unabhängig davon, ob es um ein physisches Produkt, ein Softwaresystem oder sogar ein maschinelles Lernmodell geht. Kurz gesagt: Zuverlässigkeit bedeutet Vertrauen durch konstante Leistung.
Schauen wir uns nun eine formellere Definition aus der Praxis genauer an. Laut Meeker (2021) wird Zuverlässigkeit informell sowohl als Fehlervermeidung als auch als Qualität im Laufe der Zeit beschrieben. Mit anderen Worten: Ein System gilt als zuverlässig, wenn es Ausfälle vermeidet und während seiner gesamten Lebensdauer eine gute Leistung erbringt.
Diese Definition gilt für alle Bereiche des Minings. Bei der Produktzuverlässigkeit beispielsweise beziehen wir uns typischerweise auf physische Komponenten oder Systeme. Bei der Zuverlässigkeit von KI-Systemen erstreckt sich dieser Gedanke auf die Softwarezuverlässigkeit. Dabei wird sichergestellt, dass Code und Infrastruktur robust sind und nicht ausfallen. Außerdem wird die Robustheit und Leistung des Modells berücksichtigt. Dies stellt sicher, dass sich das Modell auch bei unerwarteten oder verrauschten Eingaben fair verhält.
Nachdem ich nun vermutlich alle eine allgemeine Vorstellung von Zuverlässigkeit habe, wenden wir uns KI-Systemen zu. Mit der zunehmenden Verbreitung von KI-Systemen entwickelt sich die Zuverlässigkeit von KI zu einem neuen und wichtigen Bereich. Künstliche Intelligenzsysteme, oft kurz KI-Systeme genannt, haben ein breites Anwendungsspektrum, darunter autonome Fahrzeuge – ich würde sie kurz AVs nennen –, KI-gesteuerte Drohnen, Merkmalserkennung und Konversations-KI. AVs zählen dabei zu den wirkungsvollsten Anwendungen, bei denen Sicherheit und Zuverlässigkeit von entscheidender Bedeutung sind. Daher ist es wichtig, ihr reales Verhalten und ihre Unsicherheiten zu verstehen und zu modellieren.
In vielen Studien beobachten wir Ereignisse, die bei einzelnen Probanden im Laufe der Zeit wiederholt auftreten. Dies wird als wiederkehrender Ereignisprozess bezeichnet, und die daraus resultierenden Daten heißen wiederkehrende Ereignisdaten. Im Bereich der autonomen Fahrzeuge beobachten wir nicht nur eine, sondern mehrere Arten wiederkehrender Ereignisse. Bei autonomen Fahrzeugen gibt es zwei verschiedene Ereignistypen: Ausrück- und Kollisionsereignisse. Ein Ausrück-Ereignis tritt ein, wenn das autonome Fahrsystem die Kontrolle an den menschlichen Fahrer zurückgibt, häufig aufgrund von Systemeinschränkungen, unübersichtlichen Straßenverhältnissen oder potenziellen Risiken. Bei einem Kollisionsereignis hingegen handelt es sich um einen tatsächlichen Unfall während des autonomen Betriebs. Zusammenfassend bezeichnen wir diese Art als multitypisierte wiederkehrende Ereignisdaten.
Wir haben bereits Artikel zum Thema AV-Zuverlässigkeit veröffentlicht. Der erste Artikel „Planning Reliability Assurance Test for AVs“ konzentriert sich auf dieses Ereignis und entwickelt statistische Methoden zur Planung von AV-Zuverlässigkeitstests anhand wiederkehrender Ereignisdaten. Der zweite Artikel „DR-AIR“ führt ein etabliertes Repository für KI-Zuverlässigkeitsdaten ein und definiert gängige Messungen und Datentypen. Dadurch werden nutzbare, saubere Datensätze zur Unterstützung dieses aufstrebenden Forschungsgebiets bereitgestellt. Insgesamt bietet dieser Artikel eine richtungsweisende Richtung für die Analyse des aufstrebenden Feldes der KI-Zuverlässigkeit.
Sie fragen sich vielleicht, woher die Daten für die Zuverlässigkeitsanalyse autonomer Fahrzeuge stammen? Im Bereich autonomer Fahrzeuge führt die kalifornische Verkehrsbehörde DMV seit 2015 ein Testprogramm für autonome Fahrzeuge durch. Im Rahmen dieses Programms müssen Unternehmen, die autonome Fahrzeuge in Kalifornien testen, erstens jährliche Berichte über die Deaktivierung der Fahrzeuge einreichen und zweitens alle Kollisionen innerhalb von zehn Tagen nach dem Vorfall melden.
Diese Folie zeigt zwei Beispiele. Links ein Screenshot der Abkoppelungsberichte und rechts die Kollisionsberichte, in denen detaillierte Vorfälle nach Hersteller und AI-AIR aufgelistet sind. Zurück zu den beiden AV-Ereignistypen, Abkoppelung und Kollisionen. Heute konzentrieren wir uns hauptsächlich auf die Koalitionen zur Demonstration der AV-Sicherheit. Mit fortschreitender KI ist die Etablierung einer zuverlässigen aktuellen AV-Leistung wichtig für das öffentliche Vertrauen. Dies führt zu folgenden Fragen: Erstens: Wie sollte die AV-Sicherheit modelliert werden? Zweitens: Können wir dem aktuellen AV-Sicherheitsniveau vertrauen? Drittens: Wie kann JMP bei der Analyse wiederkehrender Kollisionsdaten helfen? Und vor allem: Welche Beziehung besteht zwischen Autonomiegrad und Sicherheit?
Hier ist der komplette Workflow für den heutigen Vortrag. Wir beginnen mit der Datenerfassung und -bereinigung, importieren die PDF-Quelle und extrahieren die für die Zuverlässigkeitsanalyse benötigten Felder. Anschließend folgt die Datenexploration. Wir visualisieren expositionsbasierte Messungen. Die Kilometerleistung dient als Expositionsmaß, da sie die Fahrdauer widerspiegelt. Mehr Kilometerleistung bedeutet mehr Kollisionschancen. Anschließend untersuchen wir Kollisionsmuster im Zeitverlauf und visualisieren ein Risikomaß, die Kollisionsrate. Diese quantifiziert die Wahrscheinlichkeit einer Kollision, unabhängig von der Kilometerleistung des Fahrers. Eine höhere Rate bedeutet eine höhere Kollisionswahrscheinlichkeit bei gleicher Exposition.
Abschließend wenden wir in der Datenanalyse Zuverlässigkeitsmodellierung auf aggregierte Daten an, wobei wir uns auf die Zuverlässigkeitswachstumsmodelle konzentrieren. Anschließend untersuchen wir, wie sich Autonomiegrad und Sicherheitsniveau zueinander verhalten. Ich werde jeden Schritt in JMP durchgehen, um die Möglichkeiten zur AV-Zuverlässigkeitsanalyse zu demonstrieren.
Da wir mit Kollisionsereignissen beginnen, möchte ich noch einmal zusammenfassen, wie die Berichte der kalifornischen Verkehrsbehörde DMV aussehen. Die DMV erfasst jedes AV-Unternehmen, um einen Bericht über jeden Unfall einzureichen, der Sachschäden, Verletzungen oder sogar Todesfälle verursacht. Auf der Website sind diese öffentlichen Berichte nach Hersteller und Jahr aufgelistet (siehe linke Seite der Folie). Heute werde ich mich nur auf Waymo konzentrieren. Waymo begann als selbstfahrendes Projekt von Google und betreibt heute einen flächendeckenden Rufdienst mit selbstfahrenden Autos in ausgewählten Städten. Der Waymo-Fahrer kombiniert Kameras, Radar, Ruder, Karten und sogar maschinelles Lernen, um wie ein vorsichtiger, berechenbarer Fahrer zu agieren. Waymo verfügt über umfangreiche Betriebsabläufe und durchgängig detaillierte Berichte, sodass sich seine Daten gut für unsere Zuverlässigkeitsanalyse eignen.
So importieren und bereinigen wir die Unfallberichte der kalifornischen Verkehrsbehörde DMV. Links sehen Sie das öffentliche Portal, das Sie zuvor gesehen haben. Rechts sehen Sie einen typischen Unfallbericht. Öffnen wir einen, um die darin enthaltenen Felder zu sehen. Für jede PDF-Datei extrahieren wir Schlüsselfelder wie: Hersteller, Datum und Uhrzeit, Baujahr, Marke und Modell des Fahrzeugs, Standort und alle weiteren Sortierdetails. Anschließend laden wir die strukturierten Daten in JMP, weisen die richtigen Typen zu und standardisieren die Namen. So erhalten wir eine übersichtliche, analysebereite Tabelle für weitere Untersuchungen.
Betrachten wir die Struktur der Datensätze zu Kollisionsereignissen, nachdem wir die Schlüsselfelder aus den öffentlichen Unfallberichten extrahiert haben. Diese Tabelle zeigt die von uns beibehaltenen Felder, einschließlich Hersteller, Datum, Jahr, Modell, Marke, Fahrzeug, Modell und grundlegender Unfalldetails, jedoch ohne eindeutige Kennungen wie Fahrgestellnummern. Wie unten erwähnt, sind Kollisionsdaten nur auf aggregierter Ebene verfügbar. Mit anderen Worten: Es gibt keine Informationen auf Fahrgestellnummernebene. Wir werden dies im Hinblick auf die abschließende Analysephase berücksichtigen.
Dies ist unsere bereinigte JMP-Tabelle für Waymo basierend auf den extrahierten Kollisionsberichtsfeldern. Auf Monatsebene enthält sie die Tage, die Anzahl der AV-Tests, die Gesamtkilometerzahl in Kilometern und die Anzahl der Kollisionsereignisse. Zur Erinnerung: Dies sind alles aggregierte Zahlen, keine Details auf VIN-Ebene. Auf dieser Grundlage addieren wir die akkumulierten Ereignisse, um zu sehen, wie sich Kollisionen im Laufe der Zeit häufen. Zusätzlich berechnen wir ein Sicherheitsrisikomaß für AVs. Indem wir messen, wie oft diese Ereignisse im Laufe der Zeit auftreten, erhalten wir die Häufigkeit der Kollisionsereignisse, die wir als Indikator für die Sicherheit verwenden.
Dies wirft eine weitere Frage auf: Wie erstellt man eine Spalte basierend auf den vorhandenen Spalteninformationen in JMP? Der detaillierte Klickpfad ist hier zusammengefasst. Gehen Sie zunächst zu „Spalten“ und wählen Sie „Neue Spalten“. Setzen Sie dann den Spaltennamen auf „Kollisionsereignisrate“. Stellen Sie anschließend die Registerkarte „Daten“ auf „Numerisch“ und die Registerkarte „Modellierung“ auf „Kontinuierlich“ ein. Öffnen Sie dann die Spalteneigenschaften, wählen Sie „Formel“ und geben Sie „Benutzerdefinierte Formel“ für die neue Spalte ein. Beispielsweise verwenden wir eine kumulative Summe, um die Spalte „Kumulative Ereignisse“ zu erstellen, und die Kollisionsereignisrate wird als Anzahl der Kollisionen geteilt durch die Gesamtkilometerzahl berechnet.
So sieht die JMP-Datentabelle nach dem Hinzufügen der neuen Informationen aus. Mit den neuen Formeln enthält sie nun zwei neue Spalten: die kumulative Anzahl der Kollisionsereignisse und die Kollisionsereignisrate. Diese beiden Merkmale steuern unsere Plops und speisen die Zuverlässigkeitsmodelle, die wir als Nächstes anpassen werden. Basierend auf der neuen JMP-Tabelle untersuchen wir die Daten mit einer explorativen Datenanalyse. Da die Kilometerzahl das Risiko darstellt, bedeutet eine höhere Kilometerzahl mehr Möglichkeiten bzw. die Wahrscheinlichkeit einer Kollision.
Wir beginnen mit der Visualisierung des Kilometerstands über den Kalender. Hier finden Sie eine übersichtliche Schritt-für-Schritt-Anleitung zum Erstellen eines Kilometerstandsdiagramms in JMP. Öffnen Sie zunächst „Graph“ und wählen Sie „Graph Builder“. Ziehen Sie anschließend „Datum“ auf die X-Achse. Ziehen Sie anschließend den Gesamtkilometerstand in Kilometern auf die Y-Achse. Wählen Sie anschließend das Linienelement aus den oberen beiden Balken. Dieses Diagramm zeigt den monatlichen Kilometerstand und die Belastung. Wir sehen einen frühen Anstieg, einen starken Rückgang im Jahr 2020 und eine Erholung mit den Bildern in den Jahren 2021 bis 2022 sowie einen gleichmäßigen Rückgang und eine moderate Zunahme am Ende.
Ich möchte hier auf zwei Dinge hinweisen. Erstens gibt es nach 2020 Monate mit null Kilometern, was bedeutet, dass nach COVID-19 viel mehr AV-Tests durchgeführt wurden. Zweitens gibt es eine Neuverteilung der Kilometer nach der Arbeit, was auf umfangreichere Tests nach COVID hinweist. Gehen wir noch einen Schritt weiter und betrachten die kumulierte Anzahl von Kollisionsereignissen und die monatliche Anzahl von Kollisionsereignissen, um Sicherheitstrends für AVs zu erkennen. Um diese Visualisierung in JMP zu erstellen, öffnen wir für das kumulative Diagramm links zunächst den Graph Builder. Zweitens ziehen wir „Datum“ auf die X-Achse. Drittens ziehen wir „Kumulative Anzahl von Kollisionsereignissen“ auf die Y-Achse. Wählen Sie dann die Linie aus. Fügen Sie einen kleineren Wert hinzu, wenn Sie einen klareren Trend wünschen. Die Steigung des kumulativen Diagramms ist aussagekräftig.
Ein flacherer Anstieg bedeutet weniger Ereignisse. Ein steilerer Anstieg bedeutet mehr Ereignisse pro Monat. Wir sehen einen langsamen Anstieg zu Beginn und eine Abflachung gegen 2020. Dann eine steile Klemme von 2021 bis 2022. Danach flacht der Anstieg mit einigen Höhen und Tiefen ab. Für die monatlichen Kollisionszahlen auf der rechten Seite. Öffnen wir zuerst den Graph Builder. Ziehen Sie dann das Datum auf die X-Achse. Ziehen Sie drittens die Anzahl der Kollisionsereignisse auf die Y-Achse. Wählen Sie dann Balken für unsere Visualisierung. In der Visualisierung auf der roten Seite können Sie das gleiche Muster Monat für Monat erkennen, niedrige Zahlen früher, eine tiefere Runde, 2020, höhere Spitze von 2021 bis 2022 und gemischte Niveaus danach. Dies gibt uns nur eine allgemeine Vorstellung davon, wie die Anzahl der Kollisionen basierend auf dem Jahr entsteht, das uns gerade interessiert.
Bisher mussten wir zwei Kennzahlen separat betrachten: Kollisionsanzahl und Kilometerstand. Wie kombinieren wir sie? Wir wechseln von der Zeilenanzahl zur expositionsbereinigten Risikokennzahl, der Kollisionsereignisrate. So können wir Monate mit unterschiedlichem Kilometerstand fair vergleichen. Zunächst zeigen wir, wie man dies in JMP erstellt. Folgen Sie weiterhin den ähnlichen Mustern, die wir gerade auf den vorherigen Folien erklärt haben. Öffnen wir den Graph Builder und ziehen Sie die Tage auf die X-Achse. Ziehen Sie anschließend die Kollisionsereignisrate auf die Y-Achse. Wählen Sie dann den Balken für unsere Visualisierung.
In dieser Visualisierung sehen Sie Spitzen und Einbrüche. Höhere Balken bedeuten eine höhere Kollisionswahrscheinlichkeit pro Mann als im Monat. Niedrigere Balken bedeuten ein geringeres Risiko. Insgesamt ist die Kollisionsrate relativ niedrig, was darauf hindeutet, dass Waymo die Sicherheit autonomer Fahrzeuge gewährleistet. Kommen wir nun zur Zuverlässigkeitsanalyse in JMP, dem zentralen Teil unseres heutigen Vortrags. Wir verwenden zunächst Zuverlässigkeitsgruppen mit der stückweisen Weibull-NHPP-Änderungspunkterkennung, um zu sehen, wann und wie sich das Kollisionsrisiko im Laufe der Zeit verändert. Die Methode unterteilt die Zeitachse in Phasen mit jeweils eigenem Trend.
Wie geht das in JMP? Hier ist die Schritt-für-Schritt-Anleitung in JMP. Öffnen Sie zunächst „Analysieren“ und wechseln Sie dann zum Modul „Zuverlässigkeit und Überleben“. Wählen Sie „Zuverlässigkeitswachstum“. Konzentrieren Sie sich anschließend auf das Datumsformat. Ziehen Sie „Datum“ in „Zeitstempel“. Ziehen Sie anschließend „Anzahl der Kollisionsereignisse“ in „Ereigniszählung“. Starten Sie anschließend die Plattform. Wählen Sie in der Ausgabe „Stückweise Weibull, NHPP-Änderungspunkterkennung“. Im Diagramm auf der rechten Seite sehen wir, dass die Punkte kumulative Kollisionen darstellen.
Das grüne Band zeigt die angepasste Kurve mit Unsicherheit, und die Steigung spiegelt das Risiko wider. Steiler bedeutet eine höhere Ereignisrate. Flacher bedeutet eine verbesserte Zuverlässigkeit. In der Nähe des hervorgehobenen Bereichs sehen Sie einen vorgeschlagenen Änderungspunkt. Danach verschiebt sich die Steigung, was auf ein anderes Risikomuster hinweist. Die Tabelle zeigt die Schätzungen von Piecewise Weibull, NHPP Change Point Detection. Das Modell findet einen Änderungspunkt im August 2022. Vor diesem Punkt liegt Beta[1] bei etwa 2,09, was bedeutet, dass die Kollisionsrate schnell anstieg. Nach der Änderung liegt Beta[2] bei etwa 1,17, viel näher an flach, sodass die Rate langsamer steigt. Lambda legt die Gesamtskala fest. Die 95%-Konfidenzintervalle geben die Unsicherheit jeder Schätzung an.
Bei genauer Betrachtung des Diagramms der kumulativen Ereignisse des Zuverlässigkeitswachstumsmodells wird jedoch deutlich, dass die Zeitachse in Phasen unterteilt ist. In jeder Phase erzählt die Steigung eine andere Geschichte. Wir sehen mehrere unterschiedliche Steigungsverschiebungen, was darauf hindeutet, dass sich das Risikomuster über die Zeiträume hinweg ändert. Aus diesem Grund wird der Kalender in verschiedene Phasen unterteilt und das Modell neu angepasst, um Änderungen in den Ergebnissen zu prüfen. Gefolgt von der zuvor erläuterten Logik habe ich eine neue Spalte namens „Phase“ hinzugefügt und das Zuverlässigkeitswachstumsmodell neu angepasst. Zunächst erstellen wir eine Phasenbezeichnung.
Wie geht das in JMP? Um genauer zu sein: Gehen wir zunächst zu Spalten und wählen „Neue Spalte“. Setzen wir dann den Spaltennamen auf „Phase“. Setzen wir dann die Registerkarte „Daten“ auf „Charakter“ und die Registerkarte „Modellierung“ auf „Nominal“. Füllen Sie anschließend die Spalte nach Zeiträumen. Wählen Sie entweder Zeilen für jeden Datumsbereich aus und geben Sie die Beschriftung ein oder fügen Sie eine Formel in den Spalteneigenschaften hinzu. Das Diagramm rechts markiert nun die Phasengrenzen mit blau gestrichelten Linien. Innerhalb jeder Phase zeigt die Steigung der kumulativen Kurve die Anzahl der Ereignisse an. Steiler bedeutet mehr Kollisionen pro Zeiteinheit, flacher bedeutet Verbesserung. Der Vergleich der Steigungen über verschiedene Phasen hinweg hilft, Risikoänderungen mit Ertragsverschiebungen im Softwarebetrieb zu verknüpfen.
Als Nächstes führen wir die Zuverlässigkeitswachstumsanalyse mit Phase erneut aus. Wir passen das Modell mit Piecewise Weibull NHPP an. Dieses Modell segmentiert die Zeitachse in verschiedene Phasen mit jeweils eigenem Trend. Folgen wir den Schritten in JMP. Öffnen wir zunächst „Analysieren“, wählen die Module „Zuverlässigkeit“ und „Überleben“ und geben das Zuverlässigkeitswachstumsmodell an. Wechseln wir anschließend zur Registerkarte „Datumsformat“. Ziehen wir anschließend „Datum“ in den Zeitstempel, „Anzahl der Kollisionsereignisse“ in die Ereigniszählung und „Phase“ in die Phase. Klicken Sie anschließend auf „OK“, um alles erneut auszuführen.
Auf der rechten Seite sehen wir, dass die grüne Kurve und das grüne Band die angepassten kumulativen Ereignisse und die Unsicherheit darstellen. Die blauen gestrichelten Linien markieren Phasengrenzen. Innerhalb jeder Phase gibt die Steigung die Anzahl der Kollisionsereignisse an. Diese Tabelle zeigt die stückweisen Weibull-NHPP-Schätzungen für verschiedene Phasen. Konzentrieren Sie sich auf das Beta. Die allgemeine Idee ist: Wenn Beta größer als 1 ist, steigt die Kollisionsrate in dieser Phase. Wenn Beta über 1 ist, ist die Rate nahezu unverändert. Wenn Beta kleiner als 1 ist, sinkt die Rate. Das bedeutet eine Verbesserung der Zuverlässigkeit.
Hier haben die Phasen A, B, C, D, E, G und I einen Beta-Wert größer als 1, was auf ein steigendes Risiko in diesen Zeiträumen hindeutet. Die Phasen F und H haben jedoch einen Beta-Wert kleiner als 1, was auf eine Verbesserung der Zuverlässigkeit hindeutet. So passen diese beiden unterschiedlichen Modelle zusammen und so ändern sich die Modellergebnisse, wenn wir sie mit unterschiedlichen Anpassungsmodi vergleichen. Denken Sie daran, dass wir auch die Beziehung zwischen Autonomie und Sicherheit untersuchen möchten. Um eine Proxy-Autonomie zu ermitteln, werden wir uns Disengagement-Ereignisse ansehen. Wir werden denselben Ansatz wie zuvor verwenden. Sammeln Sie die aggregiertesten monatlichen Disengagement-Daten für die Analyse. Um Autonomie und Sicherheit zu verknüpfen, füge ich eine Disengagement-Ereignisrate hinzu.
Wir werden dies zusammen mit der Kollisionsereignisrate verwenden, um zu sehen, ob es in Monaten mit weniger Ausrücken auch weniger Kollisionen gibt. Hier finden Sie die Schritt-für-Schritt-Anleitung zum Erstellen der Ausrückenereignisrate in JMP. Gehen Sie zunächst zu Spalten und wählen Sie Neue Spalten. Zweitens setzen wir den Spaltennamen auf Ausrückenereignisrate. Drittens setzen wir die Registerkarte Daten auf Numerisch und wählen unter Modellierung die Option Kontinuierlich. Geben Sie dann die benutzerdefinierte Formel ein. Die Anzahl der Ausrückenereignisse wird durch die Gesamtkilometerzahl geteilt. Basierend auf dieser Formel können wir die monatliche Ausrückenereignisrate ermitteln.
Links ist die Kollisionsrate dargestellt, ein Indikator für die Sicherheit autonomer Fahrzeuge. Rechts ist die Abkoppelungsrate dargestellt. Unsere Indikatoren für die Autonomie variieren beide von Monat zu Monat. Der Schlüssel liegt darin, dass die Kollusionsrate oft niedriger bleibt, wenn die Abkoppelungsrate sinkt. Um sicherzugehen, benötigen wir jedoch einen direkten Vergleich. Als Nächstes trage ich diese beiden Raten in ein Streudiagramm mit einem Smother ein, um die Beziehung zwischen diesen beiden Messwerten zu quantifizieren. Für diese Visualisierung stellt die X-Achse die Abkoppelungsrate dar. Die Y-Achse stellt die Kollisionsrate dar. Die Linie mit dem schattierten Band ist die Anpassung mit 95%-Konfidenzintervall.
Von hier aus ist ein leichter Anstieg zu erkennen. Monate mit mehr Disengagement pro Meile weisen tendenziell auch mehr Kollisionen pro Meile auf. Der Zusammenhang ist statistisch signifikant, aber moderat, sodass eine große Streuung besteht. Dies deutet auf eine Korrelation zwischen diesen beiden Messwerten hin. Die wichtigste Erkenntnis ist, dass mit zunehmender Autonomie die Kollisionsrate im Durchschnitt niedriger bleibt, zumindest bei Waymo, dem Hersteller, auf den wir uns derzeit konzentrieren.
Fassen wir kurz zusammen, was wir zur Untersuchung der Sicherheit autonomer Fahrzeuge unternommen haben. Wir begannen mit der Datenerfassung und -bereinigung, importierten die DMV-Berichte in JMP und erstellten neue Spalten aus dem Straßenfeld, um sicherzustellen, dass die JMP-Datentabelle analysebereit war. Dann gingen wir zur Datenexploration über. Wir visualisierten die Exposition, d. h. die Kilometerleistung im Zeitverlauf, und stellten Kollisionsereignisse und deren Risiko grafisch dar, um eine expositionsbereinigte Risikoansicht zu erhalten. Schließlich passten wir in der Datenanalyse zwei Zuverlässigkeitswachstumsmodelle an die aggregierten Daten an, indem wir die Piecewise Weibull NHPP Change Point Detection verwendeten, um Phasen und Neigungsverschiebungen zu identifizieren, und nutzten außerdem den Piecewise Weibull NHPP, um die Zeitleiste in verschiedene Phasen zu segmentieren. Darüber hinaus untersuchten wir, wie sich Autonomie auf die Sicherheit autonomer Fahrzeuge auswirkt, indem wir die Ausrückrate mit der Kollisionsrate verglichen.
Zu guter Letzt.
