اطلاعات جدید آستین؛ ایمنی رباتاکسی ‎های تسلا زیر سؤال

اطلاعات جدید آستین؛ ایمنی رباتاکسی‌های تسلا زیر سؤال

داده‌های تازه از آستین، تگزاس، شک و تردیدهایی را درباره ادعای تسلا مبنی بر اینکه سرویس رباتاکسی خودران این شرکت از رانندگان انسانی ایمن‌تر است، به وجود آورده‌اند. بر اساس گزارش‌هایی که Electrek منتشر کرده و از پایگاه داده سازمان ملی ایمنی ترافیک بزرگراه‌های ایالات متحده (NHTSA) استخراج شده‌اند، تسلا گزارش حوادث متعددی را که خودروهای رباتاکسی این شرکت در آن‌ها درگیر بوده‌اند، ثبت کرده است — و ارقام تجمعی نشان می‌دهند نرخ تصادف این ناوگان به‌طور قابل توجهی بالاتر از میانگین رانندگان آمریکایی است. این یافته‌ها اهمیت ارزیابی‌های واقعی میدانی (real-world safety metrics) را برجسته می‌کنند و پرسش‌هایی درباره کارآمدی فناوری‌های حسگری، پردازش و تصمیم‌گیری در محیط‌های شهری پیچیده مطرح می‌سازند.

آنچه اعداد نشان می‌دهند

تسلا ظاهراً از آغاز به کار برنامه رباتاکسی در آستین در ژوئن ۲۰۲۵ تا کنون، پرونده‌هایی مربوط به ۱۴ حادثه را به NHTSA ارسال کرده است. همچنین Electrek پنج برخورد اضافی را که در دسامبر و ژانویه رخ داده‌اند شناسایی کرده است که همگی شامل خودروهای تسلا مدل Y بوده‌اند و سیستم رانندگی خودران در زمان وقوع فعال بوده است. محدوده حوادث شامل برخوردهای با سرعت پایین با اشیاء ثابت، برخورد هنگام عقب‌گیری به موانع، برخورد با یک اتوبوس در حالی که خودرو ایستاده بود و تماس کم‌سرعت با یک کامیون است. این نمونه‌ها نشان‌دهنده الگوهایی از حوادثی هستند که در فازهای پیچیدهٔ مانورهای شهری یا در مواجهه با موانع ایستا رخ می‌دهند؛ موضوعی که در تحلیل ریسک و طراحی سامانه‌های خودران باید به دقت بررسی شود.

با استفاده از ارقام کیلومترشمار گزارش‌شده توسط تسلا — تقریباً 1,126,554 کیلومتر طی شده توسط ناوگان تا پایان نوامبر ۲۰۲۵، و با برآورد Electrek که عددی حدود 1,287,490 کیلومتر تا میانه ژانویه ۲۰۲۶ ارائه کرده است — نرخ تصادف برای رباتاکسی‌ها به‌طور تقریبی برابر با یک تصادف در هر 91,733 کیلومتر محاسبه شده است. در مقایسه، آمارهای کلی ایالات متحده نشان می‌دهند که میانگین وقوع یک تصادف جزئی برای یک راننده انسانی حدود هر 368,541 کیلومتر است، و برخوردهای شدید بسیار نادرترند (تقریباً هر 1,124,000 کیلومتر بین تصادف‌های جدی). بر این اساس، نرخ تصادف رباتاکسی‌های آستین تقریباً چهار برابر بیشتر از فرکانس تصادفات جزئی برای رانندگان معمولی است. البته باید توجه داشت که نحوه طبقه‌بندی «جزئی» در اسناد و میزان گزارش‌دهی می‌تواند در این مقایسه اثرگذار باشد.

الگوها و مشکلات عملکردی

نوع برخوردهای گزارش‌شده نشان‌دهنده نقاط ضعف سیستم در مانورهای با سرعت پایین و مدیریت موانع در فواصل نزدیک است. چندین حادثه شامل تماس‌های با سرعت پایین بودند — از جمله دو برخورد هنگام عقب‌گیری و یک برخورد در حدود 27 کیلومتر در ساعت — که نشان می‌دهد پشتهٔ خودران ممکن است در سناریوهای شهری تنگ یا هنگام عبور و مرور در کنار اشیاء ساکن دچار مشکل شود. این مسأله می‌تواند ناشی از ترکیبی از عوامل باشد: محدودیت‌های حسگرها در تشخیص موانع کوچک یا با بازتاب کم، تفسیر نادرست داده‌های ادراکی در محیط‌های شلوغ، الگوریتم‌های برنامه‌ریزی مسیر که فاصله ایمنی کافی در حالت‌های خاص را لحاظ نمی‌کنند، یا مشکلات نرم‌افزاری در واکنش به شرایط غیرمنتظره.

تحلیل دقیق‌تر گفته‌های Electrek و پرونده‌های NHTSA نشان می‌دهد که بسیاری از این حوادث در محیط‌هایی رخ داده‌اند که نیازمند تصمیم‌گیری لحظه‌ای و تطبیق با رؤیت ناقص هستند؛ مانند گذرگاه‌های فرعی، پارکینگ‌ها، ایستادن در ترافیک کنار اتوبوس یا تعامل با خودروها و کامیون‌هایی که الگوهای حرکت غیرقابل پیش‌بینی دارند. همچنین باید در نظر گرفت که خودروهای مورد استفاده در ناوگان رباتاکسی تسلا عمدتاً مبتنی بر پلتفرم مدل Y بوده‌اند که طراحی و ارزیابی قابلیت‌های خودران می‌تواند بین پلتفرم‌ها متفاوت باشد.

نکات کلیدی:

• ۱۴ حادثه گزارش‌شده از زمان آغاز کار رباتاکسی‌ها در آستین (ژوئن ۲۰۲۵).
• مسافت برآوردی ناوگان: حدود 1,287,490 کیلومتر (تا میانه ژانویه ۲۰۲۶).
• نرخ محاسبه‌شده تصادف: تقریباً ۱ حادثه در هر 91,733 کیلومتر — تقریباً ۴ برابر بیشتر از نرخ تصادفات جزئی میانگین در ایالات متحده.

«این ارقام روایت تسلا مبنی بر این‌که رباتاکسی‌ها ذاتاً از رانندگان انسانی ایمن‌تر هستند را پیچیده می‌کنند»، یک تحلیلگر صنعت به Electrek گفت.

پیامدهای بازار و ایمنی

برای مصرف‌کنندگان و برنامه‌ریزان حمل‌ونقل شهری، داده‌های آستین یادآور این حقیقت است که استقرار دنیای واقعی سامانه‌های رانندگی خودکار اغلب رفتارهای «لبه‌ای» یا edge-case را که شبیه‌سازی‌ها ممکن است از آن‌ها چشم‌پوشی کنند، آشکار می‌سازد. مفهوم رباتاکسی تسلا — که به شکل قابل توجهی حول پلتفرم مدل Y و به‌روزرسانی‌های نرم‌افزاری از راه دور (OTA) طراحی شده است — هنوز جاه‌طلبانه است، اما نهادهای نظارتی مانند NHTSA و بخش‌های حمل‌ونقل شهری احتمالاً با افزایش مقیاس استفاده، معیارهای عملکرد و ایمنی عملیاتی را به‌دقت زیر نظر خواهند گرفت. این نظارت می‌تواند شامل الزام به گزارش‌دهی جزئی‌تر، تحلیل‌های مستقل از لاگ‌های سنسور، یا محدودیت در مناطق عملیاتی (geofencing) برای کاهش مواجهه با شرایط پرریسک باشد.

تسلا به‌طور علنی پرونده‌های خام حوادث را رد نکرده است، اگرچه شرکت معمولاً بر این نکته تأکید می‌کند که زمینه (شدت، تقصیر و میزان در معرض قرار گرفتن/exposure) اهمیت دارد. به‌هرحال تا زمانی که نرخ تصادف‌ها به‌طور قابل‌اطمینانی به سطوح نزدیک یا بهتر از پایه‌های انسانی نزول نکند، ادعای برتری ایمنی رانندگی خودران قابل بحث و مورد مناقشه باقی خواهد ماند. به عنوان نمونه، اگر درصد بالایی از این حوادث در دسته‌بندی «خسارت‌های بسیار جزئی» ثبت شده باشند، تفسیر کلی ممکن است تغییر کند؛ اما حتی در این صورت، افزایش فرکانس تصادف می‌تواند هزینه‌های عملیاتی، اعتماد عمومی و پذیرش فناوری را تحت تأثیر قرار دهد.

تحلیل‌گران ایمنی و سیاست‌گذاران معمولاً چند عامل را برای ارزیابی جامع در نظر می‌گیرند: نرخ تصادف به ازای کیلومتر طی‌شده، شدت و اشکال آسیب (شامل مصدومیت‌ها)، نقش خطای انسانی یا محیطی، و همچنین قابلیت بازتولید و توضیح‌پذیری (explainability) تصمیمات سیستم خودران. از منظر اقتصادی نیز، افزایش تصادفات جزئی می‌تواند منجر به هزینه‌های تعمیرات، افزایش حق بیمه و کاهش بهره‌وری ناوگان شود که در نهایت بر مدل کسب‌وکار رباتاکسی تأثیر می‌گذارد.

در سطح فنی، پیامدها شامل نیاز به بهبود الگوریتم‌های ادراک (perception) برای تشخیص بهتر موانع در فواصل نزدیک، بازنگری در هنجارهای برنامه‌ریزی مسیر (path planning) برای رفتار محافظه‌کارانه‌تر در محیط‌های شهری متراکم، و ارتقای سامانه‌های تست و اعتبارسنجی است تا حوزه‌های ضعف در شرایط عملیاتی واقعی شناسایی و اصلاح شوند. همچنین سازوکارهای بازخورد مبتنی بر لاگ‌های واقعی و سیستم‌های یادگیری مداوم که می‌توانند از نمونه‌های دنیای واقعی برای تقویت مدل‌ها استفاده کنند، اهمیت بیشتری خواهند یافت. با این حال، هر گونه تغییر نرم‌افزاری باید با برنامه‌های آزمون و سازوکارهای ایمنی پشتیبانی شود تا از ایجاد اثرات جانبی ناخواسته جلوگیری گردد.

از منظر پذیرش عمومی، شفافیت در گزارش‌دهی و تعامل با نهادهای نظارتی می‌تواند به بازسازی اعتماد کمک کند. انتشار تحلیل‌های مستقل، ارائه داده‌های متادیتا درباره شرایط وقوع حادثه (مانند سرعت، وضعیت آب‌وهوا، ترافیک و نقش احتمالی رانندگان پشتیبان انسانی) و تشریح فرآیند بازبینی و اصلاح، از گام‌های کلیدی در جهت پاسخگویی هستند.

در جمع‌بندی، داده‌های آستین نشان می‌دهند که صنعت رانندگی خودران هنوز در فاز یادگیری و اصلاح مبتنی بر داده‌های میدانی قرار دارد. موفقیت بلندمدت رباتاکسی‌ها نه تنها به توانایی فنی در کاهش تصادفات جدی وابسته است، بلکه به اثبات مزیت خالص ایمنی و اقتصادی در مقابل رانندگی انسانی و دیگر گزینه‌های حمل‌ونقل نیز مربوط است. تا آن زمان، مقایسه‌های شفاف، ارزیابی مستقل و سیاست‌گذاری مبتنی بر شواهد، برای هدایت توسعه و استقرار فناوری‌های خودران ضروری خواهند بود.