자율주행 fleet가 금요일 새벽 도심을 많이 달리고 인간 비교군은 평일 낮 교외를 많이 달렸다면 ‘마일당 사고’ 두 숫자는 같은 시험이 아니다. 노출량은 거리뿐 아니라 어디서 언제 어떤 도로를 달렸는지까지 맞아야 한다.
평가 예산은 네 칸으로 나뉜다. 자율주행 사고 건수와 주행거리, 인간 사고 건수와 주행거리다. 네 칸의 신고 기준과 시공간 분포를 맞추지 못하면 계산은 정교해 보여도 질문을 빗나간다. 특히 중상·사망처럼 희귀한 결과는 점추정치보다 신뢰구간과 남은 표본 부족을 먼저 보여 줘야 한다.
비교할 노출량을 먼저 고정한다
가장 기본적인 단위는 vehicle miles traveled당 사건 수다. 하지만 freeway와 surface street, 낮과 심야, 맑은 날과 악천후, 도시별 교통밀도는 기본 위험이 다르다. 자율주행 fleet의 운행 분포를 먼저 잘게 나누고 인간 비교군도 같은 지역·시간대에 다시 가중해야 한다.
Waymo의 2026년 시공간 안전 분석은 1억2,700만 완전자율 마일을 인간 운전자와 위치·요일·시간 조합으로 맞췄다고 설명한다. fleet가 일반 인간 운전자보다 야간 마일 비중이 네 배 높았다는 회사 분석도 제시한다. 이 결과는 해당 연구의 ODD와 데이터 기간에 묶이며 다른 사업자나 국가의 숫자로 일반화하지 않는다.
거리 대신 trip 수만 쓰면 긴 여행과 짧은 여행의 exposure가 뒤섞이고, 시간만 쓰면 속도와 도로가 달라진다. 분석 목적에 따라 마일, 교차로 통과, 보행자 encounter, 시간 등 보조 분모를 두되 사고율의 공식 분모와 섞지 않는다.
시간·위치를 맞추는 계산에도 지연이 생긴다
동적 벤치마크는 자율주행 마일을 공간 셀과 시간대에 배치하고, 같은 셀의 인간 사고·VMT 자료를 결합해 기대 사건 수를 만든다. 너무 큰 셀은 위험 차이를 숨기고 너무 작은 셀은 인간 사고 표본이 비어 불안정해진다. spatial resolution, time bin과 smoothing 선택이 결과를 바꿀 수 있다.
Waymo 연구 페이지의 Dynamic Benchmarks 논문은 세 미국 카운티와 2천만 마일 이상의 rider-only 자료로 보정 효과를 분석했다. 지역·중증도에 따라 보정된 인간 사고율이 기존 값보다 낮거나 높아졌다. 보정이 언제나 자율주행에 유리한 방향으로 움직인다고 가정할 수 없다는 뜻이다.
데이터 공개에도 시간차가 있다. 경찰 사고자료, VMT 추정, ADS 보고가 서로 다른 마감일을 가지면 최신 fleet 마일과 오래된 인간 분모를 연결하게 된다. 분석표에 자료 기간, 수집기관, 갱신일과 제외 기준을 표시해야 추세 변화와 데이터 지연을 구분할 수 있다.
계산량보다 중요한 신고 기준의 대칭성
ADS는 규제 보고와 센서 로그 때문에 가벼운 접촉까지 포착할 수 있지만 인간 사고 데이터는 경찰 미신고를 놓칠 수 있다. 이 비대칭을 무시하면 자율주행의 경미 사고율이 과대하게 보일 수 있다. 반대로 기업 내부 자료만 쓰면 누락 여부를 독립적으로 확인하기 어렵다. 동일한 결과 정의, 포함 문턱과 공개 규칙을 맞춘다.
Waymo Safety Impact Hub는 NHTSA Standing General Order 보고 사고와 지역 인간 benchmark를 사용하고, 위치별 rate와 95% 신뢰구간을 제시한다. 공개 dashboard는 재현에 유용하지만 Waymo가 설계·관리하는 분석이다. 원자료·논문·정부 보고 기준을 함께 읽고 fault와 regardless-of-fault 지표를 혼동하지 않는다.
안전 배수 하나는 설명력이 낮다. airbag deployment, reported injury, serious or fatal injury, pedestrian·cyclist 사건은 탐지와 중증도가 다르다. 각 outcome에 사건 수, 마일, rate ratio, absolute difference와 interval을 함께 두면 희귀 결과의 과장과 경미 결과의 은폐를 줄일 수 있다.
희귀 사건이 만드는 실패 예산
사망사고가 0건이라고 해서 위험이 0은 아니다. 관측 마일이 제한되면 가능한 실제 위험 범위가 넓다. 반대로 1건이 생기면 점추정치가 크게 뛰어 fleet 전체가 갑자기 나빠진 것처럼 보일 수 있다. Poisson 또는 적절한 사건모형의 interval과 최소 검출 가능 차이를 사전에 정한다.
ODD 확장도 표본을 희석한다. 새 도시는 초기에 마일이 적고 도로·시간대가 다르다. 전체 합계만 보면 대형 기존 도시가 새 도시의 불확실성을 가린다. 도시별 결과와 pooled result를 함께 내고, hierarchical model을 쓰면 가정과 sensitivity를 공개한다.
사고 원인과 책임도 rate와 별개다. regardless-of-fault 비교는 공공 안전 impact를 보는 데 쓸 수 있지만 시스템이 피할 수 있었던 사건을 설명하지 않는다. 충돌 분석, 행동 적절성, recall·수정과 안전 case를 사후 rate 하나로 대체하지 않는다.
독자가 다시 계산할 수 있는 최소 공개값
좋은 benchmark는 결과보다 재현 경로가 선명하다. ADS 마일과 사건의 포함 기간, 인간 사고·VMT 출처, 지리 셀, 시간 bin, outcome 정의, 누락 보정, interval 방법과 sensitivity를 남긴다. ‘동일 조건’이라는 문구만 있고 가중치와 분모가 없으면 비교를 독립적으로 확인할 수 없다.
- 도시·도로유형·요일·시간대별 ADS VMT를 공개 가능한 수준으로 나눈다.
- 인간 사고와 VMT의 기간·지역·중증도 정의를 맞춘다.
- 경찰 미신고와 ADS 의무보고의 포착 차이를 보정하거나 한계로 표시한다.
- 사건 수, rate, 절대 감소량, rate ratio와 95% 신뢰구간을 함께 제시한다.
- 전체 결과 옆에 도시별·취약도로이용자별 표본과 interval을 둔다.
- 새 ODD는 이전 도시 합계에 숨기지 않고 별도 readiness 결과를 낸다.
- 방법·코드·공개 보고서로 제3자가 계산을 반복할 수 있게 한다.
합격 판정은 ‘인간보다 몇 배 좋다’는 한 줄이 아니다. 사전에 정한 outcome에서 보정 후 결과가 목표를 충족하고, interval이 허용 위험을 넘지 않으며, 데이터 누락과 새 ODD uncertainty가 설명돼야 한다. 이 조건을 갖춘 비교라야 누적 마일 홍보가 아니라 안전 의사결정 자료가 된다.
현장에서 다시 확인할 질문
사업자마다 다른 안전지표를 하나의 표준으로 비교할 수 있나요?
완전히 같은 한 숫자로 만들기보다 outcome 정의, 보고 문턱, VMT, 지역·시간 보정과 interval을 공통 필드로 맞추는 것이 현실적이다. NHTSA 보고와 경찰·보험 자료처럼 출처가 다른 경우 포착 차이를 명시해야 한다. 공통 schema는 가능하지만 ODD와 데이터 품질 차이를 지우는 통합 순위는 피해야 한다.
사고율이 갑자기 올라가면 무엇부터 확인해야 하나요?
먼저 사건 정의와 보고 지연, 마일 분모, 새 도시·시간대 비중이 바뀌었는지 확인한다. 그다음 특정 software·vehicle·road stratum과 사건 유형을 나누고 interval을 다시 계산한다. 데이터 변경이 아니라 실제 신호라면 개별 사건 재구성, 안전 case와 release 기록으로 원인을 추적하며 전체 평균만 보고 결론 내리지 않는다.
자료 마지막 확인: 2026년 8월 26일