自动驾驶汽车时代的公平,安全和隐私外文翻译资料

 2021-11-04 10:11

英语原文共 4 页

附录一:外文文献的中文翻译

自动驾驶汽车时代的公平,安全和隐私

来自车载系统的大数据可用于帮助确定事故责任,简化保险定价,激励更好的驾驶实践,并提高安全性——所有这些都可能对隐私产生最小的影响。

2015年,仅在美国,估计有38,300人死于机动车撞车事故,44万人受伤,损失成本超过4,000亿美元。相比之下,2015年美国没有发生商业航空事故,民用航空死亡人数为136人。超过90%的汽车事故是由于人为损害造成的,例如醉酒驾驶或道路暴乱,驾驶员的错误,或者只是普通的不当驾驶。这促使汽车安全系统的发展成为可能,这些系统使用传感器、照相机、激光和雷达来监控车辆及其周围环境,并提示车辆或驾驶员采取纠正措施以避免发生事故。这些系统包括前碰撞警告和自动制动、车道偏离警告、后方交叉警示、瞌睡检测、自适应大灯、汽车检测和自动停车辅助。

自动驾驶汽车(AV)有望通过完全消除人类元素来进一步减少碰撞。超过30家科技公司和汽车制造商正在研发AVs,并期望在未来三到五年内开始投产。尽管并不能防止所有事故的发生,但一些安全专家仍提醒人们不要在道路上使用AVs,直到自动驾驶系统达到完美为止。然而,即使不完美的系统如果能够大幅度减少事故,也可能足够引人注目,因为每一个百分点的改进相当于每年节省400名生命和40,000个伤害。

AVs可能需要一段时间才能普及。尽管与驾驶相关的理论得到了很好的理解,并且传感器技术不断改进,但机器必须学习人类行为和规范,这可能很复杂。此外,随着制造商努力增强软件及其安全性,AVs中的人机界面仍在不断发展。 尽管如此,联邦运输官员似乎更容易接受自动驾驶技术,并且最近发布了有关安全最佳实践,现有和潜在新监管工具以及各州采用统一做法的首个指南(www.transportation.gov / AV)。

不管车辆是否以及何时能够实现完全自主,当前车载系统提供的数据和分析足以确定许多事故中的故障,并将随着时间的推移而改进。这种能力已经存在于AVs中,但也可以安装在人工操作的车辆上,这就要求我们重新审视现有的保险法律和实践,即责任和赔偿,这些法律和实践已经存在了几十年,并且其设立的基础现在已经有些过时了。同样重要的是,从这项技术中获得的数据可以为如何预防事故和拯救生命提供新的见解,特别是当无人驾驶车辆开始共享道路时。同时,我们必须确保车辆的新数据收集能力不会导致侵犯个人隐私,特别是一个多世纪前塞缪尔·沃伦和路易斯·布兰代斯所说的基本人权“独处”。

AV数据作为保险权益和定价的基础

汽车保险公司依赖各种形式的个人和人口统计数据——例如,你的年龄、性别和婚姻状况、你开的是什么类型的车辆、你住在哪里、你开车的频率和距离、你的驾驶记录和您的信用记录——从而有效评估客户风险因素和保险价格。然而,当涉及到确定事故中谁有过错,哪家保险公司应该为此付款以及金额应该是多少时,通常根据现有规定没有简单的答案。传统上用于确定诸如物理损坏,警察报告以及受害者和证人的证词等故障的数据往往不足以推导出无可争议的结果。

因此,美国出现了一系列复杂的保险法,其中金融负债的决定因素可能会有很大的不同。大多数国家都有“过失”法或侵权法,允许事故受害者起诉事故费用,包括预防措施,6项数据有限,难以解决,更大的公平和责任问题仍未得到解决。

从车载车辆系统和道路传感器获得的大数据的可用性改变了责任计算。这些数据提供了关于事故情况的充分详细信息,包括医疗费用、物质损失、工资损失,有时还有疼痛和痛苦,各州的费用规定各不相同。考虑到用作故障标志的数据往往不完整,解决有关责任认定和赔偿金额的争议对所有当事方都可能是冗长、昂贵和令人沮丧的。这一问题导致十几个州通过了“无过错”法律,这些法律要求当事人的保险人支付他们自己投保人的赔偿,而不管最终由谁负责,都会绕过诉讼程序。这些法律确保快速支付(以货币门槛为准),但它们既不涉及公平性,也不鼓励不良的驾驶行为。这也会导致司机与其他不道德的代理人串通进行欺诈性索赔,这可能很难反驳和为守法的司机提供保障。

由于保险法的公平性一直难以捉摸,经济学家和政策制定者主要侧重于采取务实措施来减少事故的数量和严重程度,以及通过社会公平分摊成本的方法。 然而,量化诸如车辆速度和对诸如驾驶员意识和注意力等人为因素的天气和照明条件等环境因素的影响的总因素,可以轻松、准确且可靠地确定故障。这将使与侵权法相关的诉讼费用和延误无效,并消除无过错保险的必要性。

如果AV数据可以用于在高精度的事故中建立故障,那么可以预见基于这些数据的许多责任决策在很大程度上是自动化的,这并不是一个太大的延伸。这可以显著提高效率并产生更公正的结果,前提是准确度足够高,每个错误的成本足够低。

但是,我们需要仔细考虑如何使用这些数据,以避免我们可能不喜欢的意外后果。例如,红灯摄像头已经不受欢迎;大多数人可能不希望计算机根据计算机车载系统或道路传感器捕获的数据自动发布为其他类型的交通引用,例如超速或尾随。同样,为了避免销售个人数据或为投保人收取更高保险费而任意分配更高风险的做法,必须对收集和适当使用此类数据(包括授予投保人同意)有明确的限制。

我们如何才能在不影响隐私的情况下实现AV技术的理想用途?

安全与隐私权衡

要了解与AV数据相关的隐私风险,重要的是了解数据的性质及其分析可能产生的结果。车载车辆系统持续记录数据,这些数据可转换为描述车辆运动的“实例”,如转弯、加速、制动、变道等。结合这些状态可以揭示出车辆驾驶员的不安全行为,例如,会车、跟得太近或“翻滚”停车。结合许多驾驶员的情况,可以揭示诸如“疲劳驾驶员发生更多事故”之类的一般模式,其中疲劳程度是根据低级传感器数据估计的。

驾驶模式可以作为有用的指导工具,例如,告知驾驶员深夜驾驶或频繁变换车道的风险,以及改善这些风险的方法。但是,如果实例级数据掌握在保险公司、汽车制造商或其他实体手中,则驾驶员可能对其“二次使用”或向第三方销售几乎没有或没有控制权,这可能会产生不良后果。例如,如果您与另一名驾驶员发生碰撞,该驾驶员是否可以传唤您的保险公司提供的数据,以支持他声称您在事故发生前“疲劳”的说法?如果你的保险公司向一个声名狼藉的营销人员出售数据,或者它的服务器遭到黑客攻击,那该怎么办?

解决这些问题的基础是数据存储和分析的位置。如果隐私是最优先考虑的,一种解决方案是在车载“黑匣子”设备上保留数据,并在本地执行分析。在这种情况下,为了进行风险评估和溢价定价,保险人可以将总水平的驾驶统计数据传输到设备,然后提取单个驾驶数据进行比较分析。这将确保隐私,并防止未经授权的二次使用或销售数据。然而,由于预期会降低含铝量,驾驶员可以选择与保险公司共享车载车辆数据,最好去掉敏感部件,如定位。这种保护隐私的密码协议的先例存在于几个欧洲国家,在这些国家,司机支付基于里程的道路税,而不透露个人数据。当然,共享实际水平的数据会使司机暴露出潜在的数据滥用。

一些学者认为,利益相关者可能会将保留这类数据和其他类型数据隐私的决策视为高风险的信号。例如,法学教授Scott Pettet认为所谓的自愿数据披露隐含地侵蚀了隐私:在一个信号强劲的经济体中,那些有价值的信用证、干净的医疗记录和令人印象深刻的信用评分的人将希望披露这些特征以获得优惠的经济待遇。其他人可能会发现,他们还必须披露私人信息,以避免与保持沉默有关的负面推论。这种分崩离析的效应造成了新类型的隐私损害,将公开从一种共识转变为一种更为强制的决定。

尽管一些投保人(如新驾驶员)可能会感到压力,要将其详细的驾驶数据与保险公司分享,作为安全驾驶实践的证明,但与更广泛人群在几个关键维度上进行比较的总体统计数据应足以公平地为大多数驾驶员定价。对于那些选择分享细节的人来说,驾驶数据可能比医疗或金融数据更不敏感,而医疗或金融数据可能分别表示慢性健康状况或高信用风险。相反,驾驶员可以随时改变他们的驾驶习惯,而那些表现出更安全驾驶行为的人可能会限制数据共享及其相关风险,而不会受到经济处罚。

在AVs获得上路主体资格前,无疑会有重大的尝试和错误。但是,不管最终委托给车辆的自主程度如何,车载系统将具有越来越强大的数据收集能力,可用于显著改善运输生态系统。事实上,从今天相当原始的系统分析已经有能力帮助确定事故责任、简化保险定价、激励更好的驾驶实践,并证明车辆安全。

尽管车载车辆系统收集的数据具有细粒度特性,但只要我们对这些数据的使用进行充分的监管,就不必让驾驶员面临严重的隐私风险。技术和法律解决方案可用于匿名数据并防止其未经授权使用。正如可穿戴设备使个人提高健康和舒适度一样,汽车也可以成为“量化自我”发现个人知识的另一个丰富信息来源,同时也使世界成为每个人导航的安全场所。

(译自:Vasant Dhar, 纽约大学)

附录二:外文原文

Equity, Safety, and Privacy in the Autonomous Vehicle Era

Vasant Dhar, New York University

Big data from onboard vehicular systems can be used to help determine liability in accidents, streamline insurance pricing, motivate better driving practices, and improve safety—all with potentially minimal impact on privacy.

in 2015, an estimated 38,300 people were killed and 4.4 million injured in motor vehicle crashes in the US alone, with damage costs exceeding $400 billion.In contrast, there were no commercial aviation fatalities and 136 civil aviation deaths in the US in 2015. More than 90 percent of auto accidents result from human impair- ment such as drunk driving or road rage, errant pedestri- ans, or just plain bad driving. This has motivated the de- velopment of automotive safety systems that use sensors, cameras, lasers, and radar to monitor the vehicle and its surroundings and to prompt either the vehicle or driver to take corrective action to avoid an accident. These sys- tems include forward-collision warning and automated braking, lane-departure warning, rear cross-traffic alerts, drowsiness detection, adaptive headlights, pe- destrian detection, and automated parking assistance.

Autonomous vehicles (AV) prom- ise to further reduce collisions dra- matically by removing the human el- ement altogether. More than 30 tech companies and auto manufacturers are working on AVs and expect to start deploying them within the next three to five years.Some safety experts have cautioned against al- lowing AVs on the road until col- lision-avoidance systems achieve perfection, though this wouldnrsquo;t necessarily eliminate all accidents. However, even less- than-perfect systems could be compelling enough if they substantially reduce accidents, considering that every percentage point improvement equates to 400 lives saved and 40,000 injuries avoided annually.

It could be some time before AVs are commonplace. Although the physics associated with driving is well un- derstood and sensor technology continues to improve, machines must learn human behavior and norms, which can be complex. In addition, the human interface in AVs is still evo

原文和译文剩余内容已隐藏,您需要先支付 30元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。