안녕하세요 여러분, 오늘 이 자리에 함께해 주셔서 감사합니다. 저는 시민입니다. 현재 버지니아 공대 통계학과에서 박사 과정 5학년을 마치고 있으며, JMP 실험 계획 및 신뢰성 그룹에서 여름 인턴으로 근무했습니다. 오늘은 JMP가 자율주행차와 인공지능 분야의 안전성을 평가하기 위해 어떻게 신뢰성 분석을 지원하는지 보여드리겠습니다. 오늘 제 발표 주제는 "자율주행차 안전성 탐구: JMP 기반 신뢰성 분석"입니다.
오늘 강연에 들어가기에 앞서, 여러분께서 저를 더 잘 알 수 있도록 간략하게 소개하고 싶습니다. 저는 버지니아 공대 통계학과 박사 과정 5학년 학생인 시민입니다. 화이팅! 제 연구 분야는 AI 시스템의 신뢰성, AI 기반 통계 분석, 그리고 대규모 언어 모델 성능 평가입니다. 네, 대규모 언어 모델을 구축하는 것은 아니지만, 그 견고성과 신뢰성을 테스트하는 것은 제가 맡고 있습니다. 제 연구 관심사는 저희 팀의 사명과 밀접하게 연관되어 있기 때문에, DoE 및 신뢰성 그룹(Reliability Group)에 참여하는 것은 저에게 매우 적합한 일입니다.
연구 외에도 저는 여러 전문 활동 및 단체에도 적극적으로 참여하고 있습니다. 저는 버지니아 공대 캠퍼스 전역에 통계 컨설팅 서비스를 제공하는 통계 응용 및 혁신 그룹(Statistical Applications and Innovation Group, 줄여서 SAIG)에서 수석 통계 협력자로 활동하고 있습니다. 또한 통계학과에서 기업 파트너 행사 위원회 위원으로 활동하고 있습니다. 최근에는 버지니아 공대 Mu Sigma Rho 지부의 간사로 임명되어 학생들의 참여와 활동을 지원하는 영광을 얻었습니다.
이 프레젠테이션은 JMP 사용자 여러분을 위한 것임을 알고 있습니다. 여러분 중 일부는 "신뢰성이란 정확히 무엇일까요?"라고 궁금해하실 수도 있습니다. 신뢰성에 대해 생각할 때 몇 가지 핵심 개념이 떠오릅니다. 일관성, 견고성, 확신, 검증됨, 테스트됨, 신뢰할 수 있음. 이 모든 단어는 사람들이 신뢰성과 자연스럽게 연관 짓는 단어이며, 물리적 제품, 소프트웨어 시스템, 심지어 머신러닝 모델에 대해서도 적용됩니다. 간단히 말해, 신뢰성은 일관된 성능을 통한 신뢰입니다.
이제 현장에서 좀 더 공식적인 정의를 자세히 살펴보겠습니다. Meeker(2021)에 따르면, 신뢰성은 비공식적으로 고장 회피와 시간 경과에 따른 품질 모두로 설명되어 왔습니다. 다시 말해, 시스템이 고장을 방지하고 수명 기간 동안 원활하게 작동할 때 신뢰할 수 있는 것으로 간주됩니다.
이 정의는 채굴 분야 전반에 적용됩니다. 예를 들어, 제품 신뢰성에서는 일반적으로 물리적 구성 요소나 시스템을 지칭합니다. AI 시스템 신뢰성에서는 소프트웨어 신뢰성까지 확장되어 코드와 인프라가 견고하고 시스템 작동에 지장을 주지 않도록 보장하고, 모델의 견고성과 성능을 보장하여 예상치 못한 입력이나 노이즈가 있는 입력에도 모델이 공정하게 동작하도록 보장합니다.
이제 모두가 신뢰성에 대한 전반적인 개념을 이해했으니, AI 시스템에 대해 살펴보겠습니다. AI 시스템이 점점 더 보편화됨에 따라 AI의 신뢰성은 새롭고 중요한 영역으로 부상하고 있습니다. 인공지능 시스템(줄여서 AI 시스템이라고도 함)은 자율주행차(줄여서 AV라고 부르겠습니다), AI 기반 드론, 특징 인식, 대화형 AI 등 광범위한 분야에 적용됩니다. 그중에서도 AV는 안전성과 신뢰성이 필수적인 가장 중요한 분야 중 하나로, 실제 행동과 불확실성을 이해하고 모델링하는 것이 중요합니다.
많은 연구에서 각 피험자에게 시간이 지남에 따라 반복적으로 발생하는 이벤트를 관찰합니다. 이를 반복 이벤트 프로세스라고 하며, 그 결과 생성되는 데이터를 반복 이벤트 데이터라고 합니다. 자율주행차 분야에서는 단 하나가 아닌 여러 유형의 반복 이벤트를 관찰합니다. 자율주행차에는 두 가지 유형의 이벤트가 있습니다. 하나는 이탈 이벤트이고, 다른 하나는 충돌 이벤트입니다. 이탈 이벤트는 자율주행 시스템이 시스템 한계, 불분명한 도로 상황, 잠재적 위험 등으로 인해 인간 운전자에게 제어권을 되돌려줄 때 발생합니다. 반면 충돌 이벤트는 자율주행 중 실제 충돌이 발생하는 것을 말합니다. 이러한 유형을 통틀어 다중 유형 반복 이벤트 데이터라고 합니다.
AV 신뢰성과 관련된 논문도 이전에 발표되었습니다. 첫째, "AV 신뢰성 보증 테스트 계획(Planning Reliability Assurance Test for AVs)"은 이러한 참여 이벤트에 초점을 맞추고, 반복적인 이벤트 데이터를 사용하여 AV 신뢰성 보증 테스트를 계획하는 통계적 방법을 개발합니다. 둘째, DR-AIR은 AI 신뢰성 데이터 저장소를 구축하고 공통적인 측정 기준과 데이터 유형을 정의하여 이 새로운 연구 분야를 지원하는 데 사용 가능한 정제된 데이터 세트를 제공합니다. 본 논문은 새롭게 부상하는 AI 신뢰성 분야를 분석하는 데 있어 유용한 방향을 제시합니다.
자율주행차 신뢰성 분석 데이터는 어디서 나오는지 궁금하실 겁니다. 자율주행차 분야에서 캘리포니아 DMV는 2015년부터 자율주행차 시험 프로그램을 운영해 왔습니다. 이 프로그램의 일환으로 캘리포니아에서 자율주행차를 시험하는 회사는 먼저 매년 자율주행 해제 보고서를 제출하고, 두 번째로 사고 발생 후 10일 이내에 모든 충돌 사고를 보고해야 합니다.
이 슬라이드는 두 가지 예를 보여줍니다. 왼쪽은 이탈 보고서 스크린샷이고, 오른쪽은 충돌 보고서로, 제조업체와 AI-AIR별로 자세한 사고 내역이 나와 있습니다. 자율주행 차량 사고 유형인 이탈과 충돌에 대해 다시 이야기해 보겠습니다. 오늘은 자율주행 차량의 안전성을 입증하기 위한 협력 방안에 대해 주로 살펴보겠습니다. AI가 발전함에 따라, 현재 자율주행 차량의 성능을 안정적으로 확보하는 것은 대중의 신뢰를 얻는 데 중요합니다. 이는 다음과 같은 질문으로 이어집니다. 첫째, 자율주행 차량의 안전성은 어떻게 모델링해야 할까요? 둘째, 현재 자율주행 차량의 안전성 수준을 신뢰할 수 있을까요? 셋째, JMP는 반복적인 충돌 사고 데이터를 어떻게 분석하는 데 도움이 될까요? 그리고 가장 중요한 것은, 자율주행 수준과 안전성 사이에는 어떤 관계가 있을까요?
오늘 발표의 전체 워크플로는 다음과 같습니다. 데이터 수집 및 정리, PDF 소스 가져오기, 신뢰성 분석에 필요한 필드 추출부터 시작합니다. 다음은 데이터 탐색입니다. 노출 기반 측정값을 시각화합니다. 주행 거리는 주행 횟수를 반영하므로 노출로 활용됩니다. 주행 거리가 많을수록 충돌 가능성이 더 높아집니다. 그런 다음 시간 경과에 따른 충돌 사고 패턴을 분석하고, 주행 거리 운전자와 관계없이 충돌 발생 가능성을 정량화하는 위험 척도인 충돌 사고율을 시각화합니다. 충돌 사고율이 높을수록 동일한 노출에 대해 예상되는 충돌 가능성이 더 높음을 의미합니다.
마지막으로, 데이터 분석에서는 신뢰성 성장 모델에 초점을 맞춰 신뢰성 모델링을 적용하여 데이터를 집계한 후, 자율 주행 수준과 안전 수준의 관계를 분석합니다. JMP의 각 단계를 살펴보고 자율주행차 신뢰성 분석 기능을 보여드리겠습니다.
충돌 사고부터 시작하므로, 캘리포니아 DMV 보고서가 어떻게 구성되어 있는지 간략히 살펴보겠습니다. DMV는 모든 자율주행차 관련 업체를 기록하여 재산 피해, 부상, 심지어 사망까지 초래하는 모든 사고에 대한 보고서를 제출합니다. 웹사이트에는 제조사별, 연도별로 공개 보고서가 게시되어 있으며, 슬라이드 왼쪽에 나와 있습니다. 오늘은 Waymo에 대해 집중적으로 살펴보겠습니다. Waymo는 구글의 자율주행 프로젝트로 시작하여 현재 일부 도시에서 자율주행차를 이용한 광범위한 호출 서비스를 운영하고 있습니다. Waymo 운전자는 카메라, 레이더, 방향타, 지도, 심지어 머신러닝까지 결합하여 신중하고 예측 가능한 운전자처럼 행동합니다. Waymo는 광범위한 운영 방식과 일관되고 상세한 보고서를 보유하고 있어, 신뢰성 분석에 매우 적합한 데이터를 제공합니다.
캘리포니아 DMV 충돌 보고서를 가져오고 정리하는 방법은 다음과 같습니다. 왼쪽은 앞서 본 공개 포털입니다. 오른쪽은 일반적인 충돌 보고서를 보여줍니다. 보고서를 열어 포함된 필드를 확인해 보겠습니다. 각 PDF에서 제조사, 날짜 및 시간, 차량 연식, 제조사 및 모델, 위치, 기타 모든 데이터 정렬 세부 정보와 같은 주요 필드를 추출합니다. 그런 다음 구조화된 데이터를 JMP에 로드하고, 적절한 유형을 지정하고, 이름을 표준화합니다. 이렇게 하면 추가 분석을 위한 깔끔한 분석 테이블이 생성됩니다.
공개 충돌 보고서에서 주요 필드를 추출한 후 충돌 사건 데이터 세트의 구조를 살펴보겠습니다. 이 표는 제조사, 날짜, 연식, 모델, 제조사, 차량, 모델 및 기본 사고 세부 정보를 포함하여 우리가 유지한 필드를 보여주지만, VIN과 같은 고유 식별자는 포함하지 않습니다. 하단에서 언급했듯이 충돌 데이터는 집계 수준에서만 제공됩니다. 즉, VIN 수준 정보는 없습니다. 최종 분석 단계로 진행할 때 이 점을 염두에 두겠습니다.
추출된 충돌 보고서 필드를 기반으로 Waymo용으로 정리된 JMP 테이블입니다. 월별 기준으로는 일수, 자율주행 테스트 횟수, 총 주행 거리(km), 그리고 충돌 발생 횟수가 포함됩니다. 이 모든 데이터는 누적된 데이터이며, VIN(차량식별번호) 단위의 세부 정보는 포함되지 않습니다. 이를 기반으로 누적된 이벤트를 추가하여 시간 경과에 따른 충돌 발생률을 확인합니다. 또한, 자율주행 차량의 안전 위험 척도도 계산합니다. 시간 경과에 따라 이러한 이벤트가 얼마나 자주 발생하는지 측정하여 충돌 발생 빈도를 구하고, 이를 안전 지표로 사용합니다.
여기서 또 다른 의문이 생깁니다. JMP에서 기존 열 정보를 기반으로 열을 어떻게 만들 수 있을까요? 세부 정보 클릭 경로는 다음과 같습니다. 먼저, '열'로 이동하여 '새 열'을 선택합니다. 그런 다음 '열 이름'을 '충돌 이벤트 발생률'로 설정합니다. 마지막으로 '데이터' 탭을 '숫자'로, '모델링' 탭을 '연속'으로 설정합니다. 그런 다음 '열 속성'을 열고 '수식'을 선택한 후 새 열에 대한 '사용자 지정 수식'을 입력합니다. 예를 들어, 누적 합계를 사용하여 누적 이벤트 열을 만들고, 충돌 이벤트 발생률은 충돌 이벤트 수를 총 주행 거리로 나누어 계산합니다.
새 정보를 추가한 후 JMP 데이터 테이블의 모습은 다음과 같습니다. 새로운 수식이 적용되어 누적 충돌 횟수와 충돌 발생률이라는 두 개의 새로운 열이 추가되었습니다. 이 두 가지 특성은 다음에 적합할 플롭(plop) 및 피드 신뢰도 모델을 구동합니다. 새로운 JMP 테이블을 기반으로 탐색적 데이터 분석을 통해 데이터를 살펴보겠습니다. 주행 거리는 노출량이므로 주행 거리가 길수록 충돌 발생 가능성이 커집니다.
캘린더 탭에서 주행 거리를 시각화하는 것부터 시작해 보겠습니다. JMP에서 주행 거리 차트를 그리는 명확한 단계별 방법은 다음과 같습니다. 먼저, 그래프를 열고 그래프 작성기를 선택합니다. 둘째, 날짜를 X축으로 드래그합니다. 셋째, 킬로미터 단위로 측정된 총 주행 거리를 Y축으로 드래그합니다. 그런 다음 상단 두 막대에서 선 요소를 선택합니다. 이 차트는 월별 주행 거리와 노출을 보여줍니다. 초기에는 증가세를 보였고, 2020년에는 급격히 감소했다가 2021년에서 2022년 사이에 사진과 함께 반등한 후, 마지막에는 완만한 감소세를 보이며 소폭 증가했습니다.
여기서 두 가지를 지적하고 싶습니다. 첫째, 2020년 이후 주행 거리가 0인 달이 있는데, 이는 COVID-19 이후 자율주행차 검사가 훨씬 더 많아졌다는 것을 의미합니다. 둘째, 퇴근 후 주행 거리가 재조정되어 COVID 이후 더 광범위한 검사를 보여줍니다. 한 걸음 더 나아가, 자율주행차의 안전 추세를 파악하기 위해 누적 충돌 사건 수와 월별 충돌 사건 수를 살펴보겠습니다. JMP에서 이 시각화를 구축하려면 왼쪽의 누적 플롯을 먼저 그래프 빌더로 엽니다. 둘째, 날짜를 X축으로 드래그합니다. 셋째, 누적 충돌 사건 수를 Y축으로 드래그합니다. 그런 다음 선을 선택합니다. 더 명확한 추세를 원하면 더 작은 선을 추가합니다. 누적 플롯의 기울기가 상황을 보여줍니다.
기울기가 완만할수록 이벤트 수가 적고, 기울기가 가파를수록 매월 이벤트 수가 많습니다. 2020년 초반에는 완만한 상승세를 보이다가 2021년경에는 완만한 상승세를 보입니다. 이후 2021년에서 2022년 사이에는 급격한 상승 곡선을 보입니다. 그 후, 상승과 하락을 반복하며 상승과 하락을 반복합니다. 오른쪽의 월별 충돌 횟수를 확인해 보겠습니다. 먼저 그래프 빌더를 엽니다. 날짜를 X축으로 드래그합니다. 마지막으로 충돌 횟수를 Y축으로 드래그합니다. 그런 다음 시각화를 위해 막대형을 선택합니다. 빨간색 시각화에서 매월 동일한 패턴이 나타나는 것을 확인할 수 있습니다. 초기에는 충돌 횟수가 적었고, 2020년에는 더 큰 폭으로 상승했으며, 2021년에서 2022년에는 더 높은 상승률을 보였고, 그 이후에는 혼합된 양상을 보입니다. 이는 현재 관심 있는 연도를 기준으로 충돌 횟수가 어떻게 발생하는지에 대한 일반적인 정보를 제공합니다.
지금까지 충돌 횟수와 주행 거리라는 두 가지 측정값을 각각 살펴보았습니다. 이 두 가지를 어떻게 결합할까요? 행 횟수에서 노출 조정 위험 측정값인 충돌 발생률로 전환합니다. 이렇게 하면 주행 거리가 다른 월들을 공정하게 비교할 수 있습니다. 먼저 JMP에서 충돌 발생률을 어떻게 구축하는지 알아보겠습니다. 이전 슬라이드에서 설명한 것과 유사한 패턴을 따릅니다. 그래프 빌더를 열고 일 수를 X축으로 드래그합니다. 마지막으로 충돌 발생률을 Y축으로 드래그합니다. 그런 다음 시각화를 위해 막대 그래프를 선택합니다.
이 시각화에서는 급등과 급락을 볼 수 있습니다. 막대가 높을수록 남성 한 명당 한 달에 한 번보다 충돌 위험이 높음을 의미합니다. 막대가 낮을수록 위험은 낮음을 의미합니다. 전반적으로 충돌률은 상대적으로 낮은데, 이는 Waymo가 자율주행차 안전을 관리하고 있음을 나타냅니다. 이제 오늘 강연의 핵심 부분인 JMP의 신뢰성 분석에 대해 살펴보겠습니다. 먼저 Piecewise Weibull NHPP Change Point Detection을 활용한 신뢰성 그룹을 사용하여 시간 경과에 따라 충돌 위험이 언제 어떻게 변하는지 살펴보겠습니다. 이 방법은 타임라인을 각 단계에 고유한 추세를 갖는 여러 단계로 나눕니다.
JMP에서 어떻게 하나요? JMP의 단계별 지침은 다음과 같습니다. 먼저, 분석(Analyze)을 열고 신뢰성 및 생존(Reliability and Survival) 모듈로 이동합니다. 신뢰성 증가(Reliability Growth)를 선택합니다. 둘째, 날짜 형식(Date Format)을 선택합니다. 셋째, 날짜(Date)를 타임스탬프(Timestamp)로 드래그합니다. 그런 다음 충돌 이벤트 수(Number of Collision Events)를 이벤트 개수(Event Count)로 드래그합니다. 다음으로, 플랫폼을 실행합니다. 출력에서 "조각별 와이블(Piecewise Weibull), NHPP 변화점 감지(NHPP Change Point Detection)"를 선택합니다. 오른쪽 그림에서 점들이 누적 충돌을 나타냅니다.
녹색 띠는 불확실성을 고려한 적합 곡선을 나타내며, 기울기는 위험을 반영합니다. 가파른 곡선은 높은 사고율을 의미합니다. 완만한 곡선은 신뢰도가 향상됨을 의미합니다. 강조 표시된 영역 근처에서 제안된 변화점을 확인할 수 있습니다. 변화점 이후에는 기울기가 이동하여 다른 위험 패턴을 나타냅니다. 표는 Piecewise Weibull, NHPP 변화점 감지를 통해 추정한 값을 보여줍니다. 이 모델은 2022년 8월에 변화점을 발견했습니다. 그 시점 이전에는 베타[1]가 약 2.09로 충돌율이 빠르게 상승했음을 의미합니다. 변화 후에는 베타[2]가 약 1.17로 평평함에 훨씬 가까워 충돌율이 더 느리게 상승합니다. 람다는 전체 척도를 설정합니다. 95% 신뢰 구간은 각 추정치 주변의 불확실성을 나타냅니다.
하지만 신뢰도 성장 모델의 누적 이벤트 플롯을 자세히 살펴보면, 타임라인이 여러 단계로 이어집니다. 각 단계에서 기울기는 서로 다른 의미를 지닙니다. 여러 가지 기울기 변화가 나타나는데, 이는 기간에 걸쳐 위험 패턴이 변화함을 시사합니다. 이러한 동기는 달력을 여러 단계로 나누고 모델을 재구성하여 결과의 변화를 확인하는 것입니다. 앞서 설명한 논리에 따라 '단계'라는 새 열을 추가하고 신뢰도 성장 모델을 재구성했습니다. 먼저 '단계' 레이블을 만듭니다.
JMP에서 어떻게 할까요? 더 구체적으로 설명하자면, 먼저 '열'로 가서 '새 열'을 선택합니다. 둘째, '열 이름'을 '단계'로 설정합니다. 셋째, '데이터' 탭을 '문자'로, '모델링' 탭을 '명목'으로 설정합니다. 그런 다음 열에 시간 범위를 입력합니다. 각 날짜 범위의 행을 선택하고 레이블을 입력하거나 열 속성에 수식을 추가합니다. 오른쪽 그림은 파란색 점선으로 단계 경계를 표시합니다. 각 단계 내에서 누적 곡선의 기울기는 이벤트의 일부를 나타냅니다. 기울기가 가파를수록 단위 시간당 충돌이 더 많고, 완만할수록 개선됩니다. 여러 단계의 기울기를 비교하면 소프트웨어 운영에서 위험 변화와 보상 변화를 연결하는 데 도움이 됩니다.
다음으로, 위상(Phase)을 사용하여 신뢰도 성장 분석을 다시 실행해 보겠습니다. Piecewise Weibull NHPP를 사용하여 모델을 적합할 것입니다. 이 모델은 타임라인을 여러 단계로 구분하며, 각 단계는 고유한 추세를 갖습니다. JMP에서 다음 단계를 따라가 보겠습니다. 먼저, 분석(Analyze)을 열고 신뢰도 및 생존 모듈(Reliability and Survival Modules)을 선택한 다음 신뢰도 성장 모델을 지정합니다. 둘째, 날짜 형식(Dates Format) 탭으로 이동합니다. 셋째, 날짜(Date)를 타임스탬프(Timestamp)로, 충돌 이벤트 수(Number of Collision Events)를 이벤트 수(Event Count)로, '단계(Phase)'를 위상(Phase)으로 드래그합니다. 그런 다음 확인을 클릭하여 모든 항목을 다시 실행합니다.
오른쪽에서 녹색 곡선과 띠는 적합된 누적 사건과 불확실성을 나타냅니다. 파란색 점선은 위상 경계를 나타냅니다. 각 위상 내에서 기울기는 충돌 사건의 개수를 나타냅니다. 이 표는 각 위상별 조각별 와이블 NHPP 추정값을 보여줍니다. 베타에 초점을 맞추세요. 일반적인 개념은 베타가 1보다 크면 해당 위상에서 충돌률이 증가한다는 것입니다. 베타가 1보다 크면 충돌률이 거의 일정합니다. 베타가 1보다 작으면 충돌률이 감소합니다. 이는 신뢰도가 향상되었음을 의미합니다.
여기서 A, B, C, D, E, G, I 단계는 베타가 1보다 크며, 이는 해당 기간 동안 위험이 증가함을 나타냅니다. 그러나 F와 H 단계는 베타가 1보다 작아 신뢰도 향상을 시사합니다. 이것이 두 모델이 서로 어떻게 적합하는지, 그리고 이를 다른 모드의 적합도와 비교했을 때 모델 결과가 어떻게 달라지는지 보여줍니다. 또한 자율성과 안전 간의 관계도 살펴보고자 합니다. 자율성을 대리하기 위해 이탈 사건을 살펴볼 것입니다. 이전과 동일한 접근 방식을 사용할 것입니다. 분석을 위해 가장 집계된 월별 이탈 데이터를 수집합니다. 자율성과 안전을 연결하기 위해 이탈 사건 발생률을 추가합니다.
이 값을 충돌 발생률과 함께 사용하여 이탈이 적은 월별 차량의 충돌 발생률도 낮은지 확인해 보겠습니다. JMP에서 이탈 발생률을 생성하는 단계별 지침은 다음과 같습니다. 먼저, 열(Columns)로 이동하여 새 열(New Columns)을 선택합니다. 두 번째로, 열 이름(Column Name)을 이탈 발생률(Disengagement Event Rate)로 설정합니다. 세 번째로, 데이터(Data) 탭을 숫자(Number)로 설정하고 모델링(Modeling) 탭을 연속형(Continuous)으로 선택합니다. 그런 다음 사용자 지정 수식을 입력합니다. 이탈 발생률을 총 주행 거리(Mileage)로 나눕니다. 이 수식을 기반으로 월별 이탈 발생률을 구할 수 있습니다.
왼쪽은 자율주행차의 안전성을 나타내는 지표인 충돌 사고율입니다. 오른쪽은 이탈 사고율입니다. 자율주행에 대한 지표는 두 가지 모두 매달 변동합니다. 여기서 핵심은 이탈율이 감소할 때 담합율은 종종 낮게 유지되지만, 확실한 결과를 얻으려면 직접적인 비교가 필요하다는 것입니다. 다음으로, 두 측정값 간의 관계를 정량화하기 위해 스모더를 사용한 산점도에 이 두 비율을 표시하겠습니다. 이 시각화에서 X축은 이탈율, Y축은 충돌율입니다. 음영 처리된 띠가 있는 선은 95% 신뢰 구간을 갖는 적합도입니다.
여기서 약간 상승하는 경향을 볼 수 있습니다. 마일당 이탈률이 높은 달은 마일당 충돌 사고가 더 많은 경향이 있습니다. 이러한 관계는 통계적으로 유의미하지만 완만하여 상당한 분포를 보입니다. 이는 두 측정값 사이에 상관관계가 있음을 시사합니다. 여기서 중요한 점은 자율주행이 향상됨에 따라 충돌률이 평균적으로 낮아진다는 것입니다. 적어도 현재 우리가 집중하고 있는 특정 제조업체인 Waymo의 경우에는 그렇습니다.
자율주행차 안전성 연구를 위해 수행한 작업을 간략하게 요약해 보겠습니다. 먼저 데이터 수집 및 정리, DMV 보고서를 JMP로 가져오기, 도로 필드에서 새 열을 생성하여 JMP 데이터 테이블이 분석에 적합한지 확인하는 작업부터 시작했습니다. 그런 다음 데이터 탐색 단계로 넘어갔습니다. 시간 경과에 따른 주행 거리인 노출을 시각화하고 충돌 사건과 그 위험을 그래프로 표시하여 노출에 따른 위험 조정된 관점을 얻었습니다. 마지막으로 데이터 분석에서는 Piecewise Weibull NHPP Change Point Detection을 사용하여 집계 데이터에 두 가지 신뢰도 성장 모델을 적용하여 단계와 경사 변화를 식별하고, Piecewise Weibull NHPP를 사용하여 타임라인을 여러 단계로 분할했습니다. 또한, 이탈률과 충돌률을 비교하여 자율주행차의 안전성과 자율성이 어떤 관련이 있는지 살펴보았습니다.
마지막으로 가장 중요한 점입니다.
