4.38 Automatiserte kjøretøy

Problem og formal

Mennesket er en meget pålitelig operatør av motorkjøretøy. Ulykker eller uventede hendelser forekommer sjelden. De trolig mest fullstendige opplysninger om hyppigheten av ulykker kommer fra en naturalistisk føreratferdsstudie i USA (Dingus et al., 2016). Førere som kjørte instrumenterte biler som registrerte alle ulykker, var innblandet i 905 ulykker i løpet av 56 millioner kjørte kilometer. Det gir en ulykkesrisiko på 16,1 per million kjørte kilometer. Som ulykker regnet man hendelser der kollisjonsputer ble utløst, hendelser der politiet ble tilkalt eller der det var fysisk sammenstøt med andre kjøretøy, trafikanter eller gjenstander. Til sammenligning er norske bilister i gjennomsnitt innblandet i 10,3 forsikringsmeldte uhell per million kjørte kilometer (Bjørnskau, 2020). En ulykkesrisiko på 16,1 per million kilometer betyr at sannsynligheten for at en tilfeldig valgt kilometer er ulykkesfri er 0,999984. Sannsynligheten for å unngå personskade eller dødsfall er enda høyere.

Ikke desto mindre velger mange førere av motorkjøretøy å utsette seg for unødvendig risiko, eksempelvis ved å bryte fartsgrenser, kjøre under påvirkning av alkohol, medikamenter eller narkotika, eller kjøre når de er trøtte eller uopplagte. Utilsiktede feilhandlinger som å overse noe, eller feilbedømme tid eller avstand, er også vanlige. Mange lar seg distrahere under kjøring. Vanlige aktiviteter som ikke har noe med kjøringen å gjøre, er betjening av mobiltelefon, samhandling med passasjerer, leting etter noe og spising og drikking (Dingus et al., 2016). I dødsulykker i Norge i 2017-2023 var 25 prosent var beruset, 23 prosent av førerne hadde kjørt godt over fartsgrensen, totalt 56 prosent hadde kjørt for fort (over fartsgrensen eller for fort etter forholdene), 31 prosent var distraherte og hos fem prosent bidro helserelaterte faktorer til ulykken (Høye et al., 2025). Dersom førere ikke tok unødvendig risiko, aldri begikk feil eller lot seg distrahere, kan man anta at ulykkesrisikoen ville være enda lavere enn den er nå.

Blant formålene med automatiserte kjøretøy er å redusere antall ulykker ved å eliminere den risiko for ulykker som kan knyttes til unødvendig risikotaking, menneskelige feilhandlinger og menneskelig uoppmerksomhet og distraksjon. Andre formål kan bl.a. være bedre trafikkavvikling, bedre transportnytte og økt miljøvennlighet.

Beskrivelse av tiltaket

Teknologi som gjør det mulig å fremføre en bil på offentlig veg uten at en fører betjener bilen er en videreføring av avanserte førerstøttesystemer. Society of Automotive Engineers (SAE) i USA har utviklet en mye brukt klassifikasjon av nivåer for automatisering av kjøretøy (tabell 4.38.1).

Tabell 4.38.1: Nivåer for automatisering av kjøretøy (basert på SAE).

Nivå for automatisering	Beskrivelse av hvordan kjøretøyet fremføres
0 Fullstendig manuelt	En fører betjener alle funksjoner; førerstøttesystemer finnes kun for å varsle føreren (f.eks. feltskiftevarsler) eller nødbremse.
1 Førerstøttesystemer finnes	En fører kjører bilen, enkelte funksjoner kan være helt eller delvis automatisert, enten for holde retningen eller farten (f.eks. kjørefeltholder eller automatisk avstandsregulering).
2 Delvis automatisering	En fører kjører bilen, enkelte funksjoner kan være automatisert, både for å holde retningen og farten (f.eks. automatisk avstandsregulering i kombinasjon med kjørefeltholder).
3 Betinget automatisering	Bilen er selvkjørende under gitte betingelser (f.eks. type veg, vær- og føreforhold), men en fører må være til stede og klar til å overta kontroll over bilen dersom systemet gir beskjed om det (f.eks. køassistent).
4 Høy automatisering	Bilen er selvkjørende under gitte betingelser, og kan kjøre uten fører til stede. Når betingelsene for automatisk kjøring ikke er oppfylt, stanser bilen (f.eks. lokale førerløse busser og drosjer).
5 Fullstendig automatisering	Bilen er selvkjørende, og kan kjøre uten menneskelig fører under alle forhold.

 

De fleste biler som selges i dag, har avanserte førerstøttesystemer, og befinner seg på nivå 1-3, det vil si delvis automatisering. De mest avanserte førerstøttesystemene innebærer at bilen kan være selvkjørende under gitte betingelser, men fordrer at føreren hele tilden følger med og er beredt til å overta kontrollen. Dette kapittelet konsentrerer seg om biler med en høy grad av automatisering, det vil si nivå 4 og 5 hvor bilen skal kunne kjøre uten fører til stede.

Automatisering av en bil oppnås ved å utstyre bilen med sensorer som registrerer objekter og bevegelesr utenfor bilen, i tillegg til sensorer som registrerer bilens bevegelser. Sensorer som støtter automatisering, kan eksempelvis være basert på vanlige kameraer, varmesøkende kameraer, infrarødt lys, radar eller lidar (Light detection and ranging). Lidar er den teknologi som ligner mest på hvordan et menneskelig øye oppfatter omgivelsene, men har begrensninger, bl.a. når det gjelder gjenkjennelse av objekter og funksjonalitet i dårlig vær.

Sensorene kobles til en kjørecomputer som programmeres til å reagere på det sensorene registrerer. For full automatisering kreves meget omfattende programmering, slik at programmeringsfeil kan bli en risikofaktor (International Transport Forum, 2018). Automatiserte kjøretøy benytter maskinlæring, bl.a. for å vurdere og tilpasse seg andre trafikanters atferd, veg-, vær og kjøreforhold.

I tillegg til at bilens sensorer henter inn og bearbeider informasjon, kan automatiserte kjøretøy også kommunisere med både infrastruktur og andre kjøretøy. Dette betegnes ofte som konnektivitet (connectivity). Konnektivitet kan i prinsippet utvikles uavhengig av (full) automatisering; f.eks. kan biler med avansert cruisekontroll koble seg på hverandre og kjøre med korte tidsluker (platooning). Konnektivitet står sentralt i det internasjonale rammeverket CCAM (cooperative, connected and automated mobility) som legger til rette for et transportsystem der kjøretøy og infrastruktur samhandler.

Det pågår omfattende forskning og utvikling med sikte på å utvikle automatisert kjøretøy. Det er likevel vanskelig å si når slike biler vil bli så godt utviklet at de tillates brukt i vanlig trafikk. Det gjenstår mye utviklingsarbeid for å finne gode løsninger på problemer som samhandling mellom automatisert kjøretøy og andre trafikanter, særlig fotgjengere og syklister, og tilpasning til varierende friksjon og siktforhold (Elvik et al., 2020).

I USA har «selvkjørende biler» (SAE-nivå 4) hatt tillatelse til å ferdes på offentlig veg siden 2014 i California. I dag finnes det flere kommersielle robot-taxitjenester i drift, deriblant Waymo, som er det desidert største og som drifter robotaxi-tjeneste i flere større byer i USA, blant annet Phoenix, San-Fransico, Los Angeles og Austin. Avride og Uber opererer siden 2025 i Dallas.

I Europa finnes såkalte selvkjørende minibusser i flere byer, blant annet i Oslo. Disse bussene har i utgangspunktet egenskaper som tilsvarer nivå 4 for automatisering, men de trenger fritak for en rekke grunnleggende tekniske krav for kjøretøy og kan kun kjøre på strekninger hvor det er gjort omfattende trafikktekniske tilpasninger. Det finnes en operatør om bord i bussen som kan overta kjøringen i situasjoner hvor automatikken svikter.

I Kina er kommersielle robotaxitjenester allerede etablert i flere storbyer, blant annet Beijing, Shanghai og Shenzhen. De største aktørene er Baidu, som tilbyr tjenesten Apollo Go, og AI-selskapet Pony.ai. Myndighetene har åpnet for kommersiell drift av taxitjenester med selvkjørende biler i de største byene (Shen, 2025).

I Europa finnes det foreløpig ingen kommersielt tilgjengelige robotaxi-tjenester, men flere aktører gjennomfører piloter i større byer. I London tester både Waymo og Uber robottaxier i 2025, og det legges opp til at tjenestene kan settes i drift fra 2026 (Topham & Davis, 2025; Topham, 2025). Lyft og det kinesiske selskapet Baidu har også annonsert planer om å pilotere robotaxier i Tyskland og Storbritannia (Inside Autonomous Vehicles, 2025). I tillegg har Stellantis og Bolt lansert et samarbeid som sikter mot å teste robotaxier i opptil 50 europeiske land fra 2026 (Tosiani, 2025).

 

Virkning på ulykkene

Ulykkesrisiko med automatiserte biler og biler med menneskelig fører

Ulykkesrisikoen er i flere studier sammenlignet mellom automatiserte biler, i hovedsak robot-taxier, og biler med mennneskelige førere. Studier som har sammenlignet ulykkesrisikoen, dvs. antall ulykker per mill. kjøretøykilometer, under omtrent sammenlignbare forhold, viser at automatiserte biler har langt lavere risiko. I forhold til biler med menneskelige førere har automatiserte biler:

• Omtrent 80 posent lavere risiko for de fleste ulykkestyper i studien til Kusano et al. (2025); risikoreduksjonen er størst i kryss. Mindre og ikke-signifikante ulykkesreduksjoner er funnet for påkjøring bakfra og møteulykker i denne studien
• 90 prosent lavere risiko for å bli drept i studien til Abdel-Aty & Ding (2024)
• 64 prosent lavere ulykkesrisiko i studien til Teoh & Kidd (2017)
• 93 prosent færre forsikringsmeldte skader i studien til Di Lillo et al. (2024); dette gjelder både person- og materiellskader.

Resultater fra slike sammenligninger kan ikke nødvendigvis generaliseres, bl.a. da automatiserte og andre biler som regel ha veldig forskjellig kjøremønstre og da det kan være store forskjeller mellom ulike operatører av selvkjørende biler og mellom ulike grupper av førere (Andriola et al., 2025; Koopman & Widen, 2024). I tillegg er forfatterne av studiene ikke alltid uavhengige av selskapene som drifter de automatiserte bilene.

Mikrosimulering av trafikk: Teoretiske virkninger på konflikter

Den vanligste måten å studere mulige virkninger av automatiserte kjøretøy på, er mikrosimulering av trafikk. Ved mikrosimulering kan man spesifisere den enkelte bils funksjonalitet, eksempelvis i form av akselerasjon, retardasjon, minste akseptable tidsluke til forankjørende, minste svingradius osv. Ved å spesifisere slike funksjoner, kan man definere hvordan et automatisert kjøretøy kan tenkes å fungere. Deretter kan man simulere trafikk med varierende andel automatiserte kjøretøy.

Som indikator på trafikksikkerhet brukes som oftest konflikter. En konflikt er en trafikksituasjon der to kjøretøy eller trafikanter er på kollisjonskurs og vil kollidere dersom ingen av dem endrer fart eller retning innen en viss tid. Tiden kjøretøyene har til å endre fart eller retning kalles «tid-til-kollisjon» (time-to-collision). En konflikt defineres i mange studier som at tid til kollisjon er 1,5 sekunder eller mindre.

Konflikter kan eksempelvis oppstå ved bremsing, feltskifte, samhandling med fotgjengere eller svingebevegelser i kryss. En skulle kanskje tro at konflikter helt kunne unngås i et system der alle biler er automatiserte. Men også i et slikt trafikksystem vil kjøretøyene ha ulik masse og dermed ulik bremseevne og stopplengde. Det er også tenkelig at ulike bilprodusenter programmerer bilene ulikt, slik at ulike bilmerker ikke innretter seg etter de samme sikkerhetsmarginer. Det sistnevnte problemet kan løses ved internasjonal standardisering, men i dag er problemet at bilprodusentene ikke offentliggjør hvordan automatisert kjøretøy vil bli programmert. Forskere som utfører mikrosimulering, er dermed henvist til å gjette hvordan bilprodusentene vil programmere bilene.

Resultater av mikrosimulering er svært følsomme for de valg forskeren gjør med hensyn til parametere som akselerasjon, retardasjon, tidsluker, svingradius, osv. Dermed er resultatene usikre og spekulative.

Det gir likevel informasjon å sammenstille og sammenligne resultater av ulike simuleringsstudier. En slik sammenstilling viser, om ikke annet, den spennvidden i resultater som fremkommer som et resultat av de spesifikasjoner ulike forskere har valgt. Dette indikerer graden av enighet om hvordan automatisert kjøretøy kan tenkes å fungere. Enighet blant forskere betyr imidlertid ikke nødvendigvis at resultatene gir gode prediksjoner av mulige virkninger av automatisert kjøretøy. Forskere kan komme til enighet ved å sitere hverandre og møtes på konferanser. Det kan likevel hende at de bommer grovt, f.eks. hvis bilprodusentene programmerer bilene annerledes enn forskerne har tenkt seg, eller hvis det finnes utilsiktede virkninger som forskerne ikke har tatt høyde for.

Disse forbeholdene må ikke glemmes når de viktigste resultater av simuleringsstudier presenteres her.

Motorveger regnes som den typen trafikkmiljø der automatiserte kjøretøy enklest kan tas i bruk. Motorveger har ikke fotgjengere eller syklister, som regel ikke saktegående motorkjøretøy, ukomplisert linjeføring og kan lett utstyres med teknologi som kan kommunisere med biler. Det er gjort en rekke simuleringsstudier av hvordan økt utbredelse av automatisert kjøretøy kan påvirke antall konflikter ved feltskifte og opphenting av forankjørende. Resultatene som presenteres nedenfor bygger på følgende studier: Kockelman et al. (2016), Olia et al. (2016), Li et al. (2017), Rahman et al. (2018), Yang et al. (2018), Papadoulis et al. (2019) og Rahman et al. (2019).

Figur 4.38.1 oppsummerer resultatene. Hvert punkt viser et resultat. Det er stor variasjon i resultatene. Når automatiserte kjøretøy har nådd 100% markedsandel, finner de fleste studier at antall konflikter ved feltskifte og opphenting vil bli sterkt redusert. Det er en opphopning av resultater som antyder mer enn 90% reduksjon av antall konflikter, mens noen resultater viser en betydelig mindre reduksjon av antall konflikter.

For å vise hovedtendensen i resultatene, er kurver føyd til datapunktene. Den heltrukne kurven gir best tilpasning til datapunktene. Den er et annengradspolynom. Kurver med samme matematiske form (annengradspolynom) er føyd for å vise øvre og nedre grense for resultatene. Selv om enkelte datapunkter ligger utenfor disse kurvene, fanger de opp det meste av spennvidden i resultater.

Figur 4.38.1: Endringer i simulerte konflikter ved feltskifte og opphenting av forankjørende på motorveg som funksjon av andel biler som er automatiserte og kurver føyd til resultatene.

Kurver av tilsvarende type er føyd til resultater av simuleringsstudier med hensyn til ulykker i kryss og ulykker med fotgjengere og syklister. Studiene som ligger til grunn for kurvene, er gjort av Kockelman et al. (2016, 2018), Combs et al. (2018), Morando et al. (2018), Kovaceva et al. (2019) og Virdi et al. (2019). I noen tilfeller foreligger få resultater. Resultatene er derfor slått sammen til tre grupper. De estimerte virkninger på antall konflikter er som følgende (usikkerhet i parentes):

Type konflikt	Estimert virkning	Kommentar
Feltskifte og opphenting på motorveger	-93% (-99; -35)	Mulig økning ved lav markedsandel (under 30%).
Kryss og rundkjøringer	-45% (-83; -28)	Mulig økning ved lav markedsandel (under 30%).
Fotgjengere og syklister	-57% (-63; -53)	Uavhengig av markedsandel Få resultater, undervurdert usikkerhet.

Usikkerheten i resultater kan ikke tolkes som en statistisk usikkerhet. Den er snarere et uttrykk for at ulike forskere har spesifisert ulike parameterverdier for automatisert kjøretøys funksjonalitet.

Atferdstilpasning

Markedsandelen av selvkjørende biler vil øke gradvis, slik at man i en periode vil ha blandet trafikk med flere automatiseringsnivåer. Det finnes lite forskning om hvordan dette vil påvirke samhandlingen mellom førerstyrte og automatiserte biler. I mikrosimuleringene som er presentert over, er den antatte atferden uavhengig av andelen automatiserte biler i et system, og resultatene tar ikke hensyn til at atferden kan endre seg.

Menneskelige føreres atferdstilpasning: Flere studier har vist at menneskelige førere endrer atferd når en økende andel av trafikken er automatiserte biler. F.eks. viser Guoy et al. (2014) i en simulatorstudie at førere kjører med kortere tidsluker når en del av trafikken er automatiserte kjøretøy som kjører med kortere tidsluker enn de fleste menneskelige førerne. Rahmati et al. (2019) fant i en simulatorstudie at førere holdt kortere tidsluke til automatiserte biler enn til førerstyrte biler. Disse studiene viser at førere tilpasser sin atferd til automatiserte biler på en måte som reduserer sikkerhetsmarginene. Liu et al. (2020) viser at automatiserte biler, for å optimalisere reisetid og ulykkesrisiko, må ha omtrent samme atferd som førerstyrte biler og at det ikke er mulig å kjøre med så korte tidsluker som mange mikrosimuleringer har forutsatt. Studien viser også at gevinsten både for reisetid og ulykker var langt mindre enn mange mikrosimuleringer har vist.

Fotgjengeres og syklisters atferdstilpasning: Når fotgjengere og syklister opplever at automatiserte biler reagerer raskere og bremser fortere enn førerstyrte biler, kan dette føre til reduserte sikkerhetsmarginer. For eksempel viser Şahin et al. (2023) og Pokorny et al. (2021) at fotgjengere ofte utnytter den defensive kjørestilen til selvkjørende i busser, for eksempel for å krysse vegen foran bussen i situasjoner hvor de hadde ventet dersom bussen hadde vært førerstyrt. På den andre siden kan fotgjengere og syklister også bli usikre på hvilke intensjoner selvkjørende biler eller busser har, og som følge av det gå eller sykle mer forsiktige.

Lanzaro et al. (2023) har sammenlignet interaksjoner mellom fotgjengere og automatiserte vs. førerstyrte biler. De viser at antall konflikter og ulykkesrisiko i kan være både høyere og lavere når bilen er automatisert.

Automatiserte bilers trafikkregelbrudd og (manglende) sosiale sensitivitet: En utfordring som er mye diskutert, er at selvkjørende biler mangler «sosial sensitivitet» (Dong et al., 2025). Det vil si at de ikke nødvendigvis tar hensyn til subtile sosiale gester eller sosiale normer i trafikken. Dette kan f.eks. være relevant i situasjoner hvor det vikepliktsreglene er uklare, eller i situasjoner hvor det er vanlig at det oppstår forhandlinger mellom trafikanter, som når syklister skal over fotgjengerfelt.

Et eksempel som er observert i flere sammenhenger er at selvkjørende biler gjerne kjører mer konservativt i trafikken enn menneskelige førere. Scwarting et al. (2019) rapporterer om at Waymo sine selvkjørende biler ofte kjører for konservativt, slik at menneskelige sjåfører utnytter muligheten til å snike foran dem, og de ikke rekker å svinge til venstre i tide. Lignende forbikjøringsatferd har man også sett eksempler på blant syklister og fotgjengere i piloter med selvkjørende busser i Oslo (Bjørnskau et al., 2023).

Dersom selvkjørende biler kjører på en måte som avviker fra hva folk tror, kan det føre til farlige og uforutsigbare situasjoner i trafikken. Det er mange eksempler på påkjørsler bakfra som skyldes at den selvkjørende bilen bremser i situasjoner hvor det er høyst uventet. F.eks. Wang et al. (2023) fant at 57% av ulykker med Waymos selvkjørende robottaxier skyldes påkjørsel bakfra. Andre eksempler er at selvkjørende biler ikke senker farten og stopper for skolebuss (Hart, 2025).

I tillegg er det vist at selvkjørende biler ikke alltid overholder vikepliktsregler, selv om dette gjerne forutsettes i studier som estimerer mulige virkninger av økt andel selvkjørende biler. F.eks. viser De Ceunynck et al. (2022) at selvkjørende busser ofte ikke overholder vikeplikten for fotgjengere ved gangfelt eller for syklister i sykkelfelt når bussen skal svinge til høyre.

 

Teoretiske virkninger av å eliminere førerfeil

Naturalistiske føreratferdsstudier (Dingus et al., 2016) har gjort det mulig å beregne hvordan en lang rekke handlinger hos førere øker ulykkesrisikoen. Dingus et al. (2016) har beregnet risikoen ved 36 ulike handlinger førere utførte under kjøring. Eksempler er betjening av radio eller klimaanlegg, tasting av nummer på mobiltelefon, kjøring mot vikepliktskilt, fartsovertredelser og manglende tegngiving. Det virker rimelig at alle disse handlingene kan elimineres, eller gjøres ufarlige, ved fullautomatisering av en bil. Forutsatt at de ulike handlingene ikke er korrelerte, kan eliminering av deres risikobidrag redusere ulykkene med 85%. Mange handlinger er imidlertid korrelerte, slik at den potensielle nedgangen i ulykker vil være mindre. Den potensielle nedgang i antall ulykker ved å eliminere de handlinger Dingus et al. (2016) har beregnet risiko for, er derfor trolig «bare» omkring 70-80%. Dette kan betraktes som den maksimalt tenkelige nedgang i ulykker som kan oppnås med automatiserte biler.

Nye kilder til risiko: Programmeringsfeil og cyberangrep

Full automatisering av biler innfører to nye kilder til risiko: Programmeringsfeil og cyberangrep. International Transport Forum (2018) nevner at det er vanlig med 20-50 feil per 1000 linjer programmeringstekst og at rutinesjekk bare oppdager omkring 15% av feilene. Fullt automatiserte biler krever programmer med flere millioner linjer med programmeringstekst. Det er sannsynlig at første generasjons programmer vil inneholde feil, men det er også sannsynlig at feilene raskt vil bli oppdaget og rettet.

Automatiserte biler med konnektivitet er utsatt for cyberangrep, dvs. at noen kan hakke seg inn i bilen og legge inn skadelige feilfunksjoner eller overta styringen (Ahmad et al., 2025; Elvik et al., 2020). Eksempler på slike cyberangrep er at biler kan styres inn i folkemengder og at veger eller hele vegnett kan blokkeres ved at mange biler stanses samtidig. At slike angrep rent teknisk er mulig, er for eksempel vist for Ruter-bussene i Oslo.

Ulykker automatiserte biler ikke kan forhindre

Fotgjengere, syklister, mopeder og motorsykler vil ikke bli automatiserte. Disse trafikantgruppene vil være utsatt for både eneulykker og kollisjoner seg imellom.

Selv om automatiserte biler er programmert for å håndtere de fleste situasjoner, samt at de kan lære å tilpasse seg, vil det fortsatt kunne skje ulykker som de ikke kan unngå. For eksempel kan en elg eller en person hoppe ut i vegen, det kan komme et ras, eller vegen kan være glattere enn det var mulig å forutsi. Slike hendelser vil forekomme, selv om de er sjeldne.

I tillegg kan atferdstilpasninger føre til mindre sikkerhetsmarginer og dermed en mindre nedgang i ulykkene enn hva man finner i simuleringsstudier.

Utstrakt bruk av automatiserte biler kan også føre til økt trafikk som følge at reduserte reisekostnader. Selv om ulykkesrisikoen kan være lavere enn i dag, vil økt trafikk føre til flere ulykker enn man ville ha hatt uten trafikkøkningen.

Risikofaktorer i form av feilprogrammering og risiko for cyberangrep og systemfeil kan føre til ulykker som ikke kan oppstå med førerstyrte biler.

Det er ikke mulig å tallfeste slike virkninger på antall ulykker.

Forbud mot førerstyrte biler

Enkelte moralfilosofer (Sparrow & Howard, 2017; Müller & Gogoll, 2020) har tatt til orde for at kjøring med førerstyrte biler bør forbys når automatiserte biler er sikrere enn førerstyrte biler. Deres hovedargument er at førerstyrte biler da representerer en risiko som er unødvendig og som ingen derfor bør tillates å ta eller utsette andre for. De legger hovedvekt på den risiko en bilfører påfører andre trafikanter. Hvis denne risikoen er lavere for automatiserte biler, mener de at førerstyrte biler bør forbys.

Det er flere problemer med dette argumentet. For det første vil høyst sannsynlig også automatiserte biler påføre andre trafikanter enn dem som sitter i bilene en risiko. Dette er sannsynlig for det første fordi også automatiserte biler vil finnes i ulike dimensjoner. Selv uten en bilfører, vil godstransport ha stordriftsfordeler, slik at store og tunge godsbiler vil finnes. Disse påfører alle som er lettere enn dem selv, risiko. For det andre er det per i dag ikke klart om automatiserte biler vil samhandle sikrere med fotgjengere og syklister enn førerstyrte biler gjør. For det tredje vil mopeder og motorsykler neppe bli automatisert. Skal førerstyrt bilkjøring forbys, må derfor også kjøring med moped eller motorsykkel forbys, ellers vil en del bilførere velge å bytte ut bilen med en motorsykkel, som har en høyere skaderisiko enn bil.

I dagens transportsystem godtar vi det som med rimelighet kan kalles unødvendig risiko. Vi tillater bruk av transportmidler som har en høyere risiko, både for brukerne selv og for andre trafikanter, enn de sikreste transportmidlene som finnes. Dersom unødvendig risiko var avgjørende, måtte all     valgfrihet med hensyn både til transportmiddel, reiserute og reisetidspunkt avskaffes og alle måtte tvinges til å bruke det sikreste transportmiddel på den sikreste ruten på den sikreste tiden på døgnet. Dette er i ytterste konsekvens implikasjonen av et argument som vil forby det å ta, eller utsette andre for, unødvendig risiko.

Virkning på framkommelighet

Mikrosimuleringsstudier tyder på at automatisert kjøretøy kan utnytte vegkapasiteten mer effektivt enn førerstyrte biler. Dette betyr at flere biler kan passere et snitt av vegen per tidsenhet, eller at et gitt antall biler kan passere et snitt av vegen i høyere fart.

En oppsummering av resultater fra simuleringsstudier utført av Tientrakool et al. (2011), Fernandes og Nunes (2012), Shladover et al. (2012), Atkins (2016), Ye og Yamamoto (2018) og Shi, He og Huang (2019) viser at kapasiteten til et kjørefelt på en motorveg øker med 114%. Usikkerheten er imidlertid stor, med nedre grense på 40% økning av kapasitet og øvre grense på 275% økning av kapasitet.

Liu et al. (2020), som forutsetter at automatisert kjøretøy tilpasser atferden til førerstyrte biler, spesielt når det fremdeles finnes mange førerstyrte biler, kommer til langt mindre økning i kapasitet, 9-18%.

Endringer i kapasitet i kryss er av Atkins (2016) beregnet til 35% økning (nedre grense 26%; øvre grense 43%). Le Vine, Zolfaghari og Polak (2015) påpeker at passasjerer opplever endringer i fart eller retning som mer voldsomme enn førere. Dersom automatisert kjøretøy programmeres til å akselerere som tog, vil kapasiteten i kryss bli redusert.

Mulige endringer i reisetid med automatisert kjøretøy avhenger av to forhold. Det ene er hvor mye vegkapasiteten øker med automatisert kjøretøy. Det andre er hvor mye nyskapt trafikk økt vegkapasitet utløser. Simuleringsstudier utført av Atkins (2016) og Booz Allen Hamilton et al. (2018) tyder på at reisetiden kan forkortes med ca. 17% når alle biler er automatiserte. Dette gjelder under forutsetning om uendret trafikkmengde. Øker trafikken, vil reisetidsbesparelsen bli mindre.

Virkning på miljøforhold

Mulige virkninger av automatisert kjøretøy på miljøforhold avhenger sterkt av om bilene drives med forbrenningsmotor eller blir elektriske. Annema (2020) oppsummerer foreliggende studier ved å beregne livssyklusutslipp av karbondioksid (CO₂) til automatisert kjøretøy med forbrenningsmotor og automatisert kjøretøy med elektrisk (batteridrevet) motor. Med livssyklusutslipp menes de totale utslipp i løpet av bilens levetid, herunder utslipp under produksjon av bilen, under bruk av den og ved skroting av den.

Utslippene fra en elektrisk automatisert bil ble beregnet å være 42% lavere enn fra en automatisert bil med forbrenningsmotor. For en liten elektrisk automatisert bil, var utslippene 7,1% lavere enn for en gjennomsnittlig automatisert bil. For en liten automatisert bil med forbrenningsmotor, var utslippene 8,8% lavere enn for en gjennomsnittlig automatisert bil med forbrenningsmotor.

Kostnader

Det antas at en automatisert bil vil være dyrere enn dagens biler. Elvik (2020A) oppsummerer studier som har anslått merkostnadene. Resultatene spriker, men de fleste anslag ligger mellom 100.000 og 400.000 kroner (2019-kroner, omregnet fra US-dollar).

Det kan antas at automatiserte biler, i likhet med dagens biler, vil bli tilbudt i ulike størrelser og prisklasser.

Nyttekostnadsvurderinger

Nytte og kostnader ved automatiserte biler avhenger av flere forhold, bl.a. hvilken andel av bilparken automatiserte biler utgjør og i hvilken grad infrastrukturen tilrettelegges for økende automatisering (bl.a. oppmerking, skilting, digital infrastruktur).

Elvik (2020A) har sammenfattet studier som har undersøkt viljen til å betale den prisøkningen automatiserte biler antas å ha sammenlignet med førerstyrte biler. Resultatene viser at bare 1% av de spurte var villige til å betale 400.000 kroner ekstra for en automatisert bil, 5% var villige til å betale 250.000 kroner eller mer og 30% var ikke villige til å betale noe som helst for en automatisert bil.

Fagnant og Kockelman (2015) gjorde en nyttekostnadsanalyse av automatiserte biler i USA ved 10%, 50% og 90% markedsandel. De fant at nytten i form av færre ulykker, redusert reisetid og lavere drivstofforbruk klart oversteg kostnadene ved alle disse markedsandelene. Den antatte nytten var imidlertid svært optimistisk, bl.a. ble det antall at antall ulykker er redusert med 90% ved en markedsandel på 90%. Merkostnaden ved å kjøpe en automatisert bil var lavere enn de fleste som foreligger.

Elvik (2020B) har gjort et grovt overslag på mulige årlige nyttevirkninger av automatiserte biler i Oslo, basert på en antakelse om at dagens biltrafikk i Oslo er 2300 millioner kjøretøy­kilometer og at dette vil øke til 2900 millioner kjøretøykilometer hvis alle biler blir automatiserte. Beregningene viser at nytten i beste fall er omtrent like stor som kostnadene, men at den trolig er langt mindre.

I USA har Islam et al. (2023) estimert at overgangen til automatiserte biler kan gi en enorm samfunnsøkonomisk nytte som følge at reduserte ulykkes- og reisetidskostnader, men de har ikke sammenlignet dette med kostnadene.

Per i dag må imidlertid enhver nyttekostnadsanalyse anses som spekulativ. Det er altfor mange kilder til usikkerhet til å trekke klare konklusjoner.

Formelt ansvar og saksgang

Initiativ til tiltaket

Det pågår omfattende forskning og teknisk utvikling med sikte på å utvikle automatiserte biler. Det er i dag teknologiselskaper (for eksempel Google) og bilprodusenter som styrer denne utviklingen. Når automatiserte biler er godt nok utviklet til å lanseres på markedet, oppstår behov for flere reguleringstiltak. De viktigste er:

1. Internasjonale standarder eller harmonisering av krav til parametere som definerer kjøreatferd (Statens vegvesen, 2020).
2. Krav til sikkerhetstesting av automatiserte biler, inklusive sikkerhetstesting knyttet til cyberangrep.
3. Lovregulering av rettslig ansvar for ulykker.
4. Eventuelt nye bestemmelser om adgang til å kjøre førerstyrte biler.

Formelle krav og saksgang

Utviklingen av automatiserte biler er i dag ikke koordinert mellom ulike produsenter, men det pågår standardiseringsarbeid i EU. Myndighetenes krav til utvikling og produksjon av nye kjøretøy vil bli gitt i det internasjonale regelverket for typegodkjenning av kjøretøy gitt i EU-forordninger.

Det som vil bli lagt til grunn for framtidige lovgivning i Norge (og bortimot 60 andre land) er definisjonene og øvrig regelverk som utarbeides i UNECE/WP29 (Avtalen fra 1958 om tekniske krav til kjøretøy) og trafikkregler i UNECE/WP1 (Wienkonvensjonen om vegtrafikk) (UNECE, 2020). Det arbeideidet er basert på SAE J3016 som var de første standarden som definerte dette, men UNECE har brukt deler av den og lagt til andre momenter som blant annet type veg.

Når det gjelder kollisjonssikkerhet må automatiserte biler oppfylle de samme kravene som ellers sammenlignbare andre biler. Studier (Liu et al., 2019) viser at folk forventer at automatiserte biler er sikrere enn førerstyrte biler og ikke vil godta en forverring av sikkerheten.

Ansvar for gjennomføring av tiltaket

Det rettslige ansvaret for ulykker er i dag, som hovedregel, plassert hos føreren, men ved teknisk svikt er det produsenten som er ansvarlig. Når biler blir førerløse, må reglene om ansvar for ulykker endres. Selv om man går ut fra at automatiserte biler blir sikrere enn førerstyrte biler, vil ulykker fortsatt skje og skader må erstattes. Det er i dag ikke avklart hvem som skal ha ansvaret for ulykker der automatiserte biler er innblandet. En utvidelse av produktsikkerhetsansvaret tilsier at produsentene holdes ansvarlig for ulykker. Dette er imidlertid en regel som kan bli komplisert å utforme. Moderne bilproduksjon bygger på en høy grad av spesialisering og bruk av underleverandører. En bil av et gitt merke har deler som er produsert av mange underleverandører. En mulighet er at bilmerket (Ford, Volkswagen, etc.) har hovedansvaret og fordeler dette videre til underleverandører gjennom reassuranse (det vil si at bilmerket kan kreve at en utbetalt erstatning dekkes av en underleverandør, som i sin tur har forsikringsdekning for kravet).

For å regulere ansvar for ulykker, som reguleres i nasjonal lovgivning, må det foretas en gjennomgang av vegtrafikklovgivningen og øvrig relevant regelverk for å innføre permanente ordninger med selvkjørende kjøretøy blant annet for å avklare forhold rundt straffansvar og erstatningsansvar. Ifølge den internasjonale konvensjonen om vegtrafikk (Wien-konvensjonen) er Norge er forpliktet til å utforme vegtrafikklovgivningen i samsvar med konvensjonen. Wien-konvensjonen stiller en rekke krav til fører og kjøretøy. Kravet om at ethvert kjøretøy skal ha en fører og at føreren til enhver tid skal ha full kontroll over kjøretøyet, jf. artikkel 8 (1) og (5), ble ansett å være til hinder for å tillate kjøring med selvkjørende kjøretøy uten fører.

Referanser

Abdel-Aty, M., & Ding, S. (2024). A matched case-control analysis of autonomous vs human-driven vehicle accidents. Nature communications, 15(1), 4931.

Ahmad, U., Han, M., & Mahmood, S. (2025). AI-Enhanced threat analysis and risk assessment for connected and autonomous vehicles. Software Quality Journal, 33(3), 26.

Andriola, C., Chitturi, M. V., Noyce, D. A., & Song, Y. (2025). How similar or different are automated vehicle and human-driven vehicle crash patterns? Findings from crash sequence analysis. Accident Analysis & Prevention, 222, 108239.

Annema, J. A. 2020. Policy implications of the potential carbon dioxide (CO₂) emission and energy impacts of highly automated vehicles. Advances in Transport Policy and Planning, 5, 149-162.

Antin, J. F., Guo, F., Fang, Y., Dingus, T. A., Perez, M. A., Hankey, J. M. (2017). A validation of the low mileage bias using naturalistic driving study data. Journal of Safety Research, 63, 115-120.

Atkins, 2016. Research on the impacts of connected and autonomous vehicles on traffic flow. Stage 2: Traffic modelling and analysis. Technical Report.

Bjørnskau, T. (2013). The zebra crossing game – Using game theory to explain a discrepancy between road user behaviour and traffic rules (Report No. 19407/2013). Transportøkonomisk institutt (TØI). https://www.toi.no/artikler-9000-serie/the-zebra-crossing-game-using-game-theory-to-explain-a-discrepancy-between-roadu-user-behaviour-and-traffic-rules-article33432-235.html

Bjørnskau, T. 2020. Risiko i veitrafikken 2017/18. Rapport 1782. Oslo, Transportøkonomisk institutt.

Boggs, A. M., Arvin, R., Khattak, A. J. (2020). Exploring the who, what, when, where, and why of automated vehicle disengagements. Accident Analysis and Prevention, 136, 105406.

Booz Allen Hamilton et al. 2018. Dedicating lanes for priority or exclusive use by connected and automated vehicles. NCHRP research report 891. Washington DC, Transportation Research Board.

Combs, T. S., Sandt, L. S., Clamann, M. P., McDonald, N. C. 2018. Automated vehicles and pedestrian safety: exploring the promise and limits of pedestrian detection. American Journal of Preventive Medicine. doi.org/10.1016/j.amepre.2018.06.024.

De Ceunynck, T., Pelssers, B., Bjørnskau, T., Aasvik, O., Fyhri, A., Laureshyn, A., … & Martensen, H. (2022). Interact or counteract? Behavioural observation of interactions between vulnerable road users and autonomous shuttles in Oslo, Norway. Traffic safety research, 2, 000008-000008.

Di Lillo, L., Gode, T., Zhou, X., Atzei, M., Chen, R., & Victor, T. (2024). Comparative safety performance of autonomous- and human drivers: A real-world case study of the Waymo One service. Helyion. https://doi.org/10.1016/j.heliyon.2024.e34379Waymo. (2024, September 5). New data hub shows how Waymo improves road safety. Waymo. https://waymo.com/blog/2024/09/safety-data-hub/

Dingus, T. A., Guo, F., Lee, S., Antin, J. F., Perez, M., Buchanan-King, M., Hankey, J. 2016. Driver crash risk factors and prevalence evaluation using naturalistic driving data. Proceedings of the National Academy of Sciences.

Dong, Y., van Arem, B., & Farah, H. (2025). Toward developing socially compliant automated vehicles: Advances, expert insights, and a conceptual framework. Communications in Transportation Research, 5, Article 100207. https://doi.org/XXXXX

Elvik, R. 2020A. The demand for automated vehicles: A synthesis of willingness-to-pay surveys. Economics of Transportation, 23, 100179.

Elvik, R. 2020B. Converting impacts of connected and automated vehicles to monetary terms. Deliverable D3.3 of the H2020 project Levitate.

Elvik, R., Meyer, S. F., Hu, B., Ralbovsky, M., Vorwagner, A., Boghani, H. 2020. Methods for forecasting the impacts of connected and automated vehicles. Deliverable D3.2 of the H2020 project Levitate.

Fagnant, D. J., Kockelman, K. 2015. Preparing a nation for autonomous vehicles: opportunities, barriers and policy recommendations. Transportation Research Part A, 77, 167-181.

Fernandes, P., Nunes, U. 2012. Platooning with IVC-enabled autonomous vehicles: Strategies to mitigate communication delays, improve safety and traffic flow. IEEE Transactions on Intelligent Transport Systems, 13, 91-106.

Gouy, M., Wiedemann, K., Stevens, A., Brunett, G., Reed, N. 2014. Driving next to automated vehicle platoons: How do short time headways influence non-platoon drivers’ longitudinal control? Transportation Research Part F, 264-273.

Harkin, A. M., Görner, H., Bärwolff, M., Harkin, K. A., & Petzoldt, T. (2025). Predictors of cyclists’ and pedestrians’ behavior in interactions with turning (Automated) vehicles− Insights from a Wizard-of-Oz study in real traffic. Transportation Research Part F: Traffic Psychology and Behaviour, 111, 75-94.

Hart, R. (2025, December 5). Waymo’s robotaxis are under investigation for passing stopped school buses. The Verge. https://www.theverge.com/news/838879/waymo-school-buses-probe

Høye, A.K., Hesjevoll, I.S. & Nævestad, T.O. (2025). Temaanalyse bilbelte. TØI-rapport 2107/2025.

Inside Autonomous Vehicles (2025, August 4). Lyft partners with Baidu to deploy autonomous rides across Europe. Inside Autonomous Vehicles. https://insideautonomousvehicles.com/lyft-partners-with-baidu-to-deploy-autonomous-rides-across-europe/?utm_source=chatgpt.com

International Transport Forum. 2018. Safer roads with automated vehicles? Corporate Partnership Board Report. Paris, OECD publishing.

Islam, T., Sheakh, M. A., Jui, A. N., Sharif, O., & Hasan, M. Z. (2023). A review of cyber attacks on sensors and perception systems in autonomous vehicle. Journal of Economy and Technology, 1, 242-258.

Kockelman, K., Bansal, P., et al. 2016. Implications of connected and automated vehicles on the safety and operations of roadway networks: a final report. CTR technical report 0-6849-1. The University of Texas at Austin.

Kockelman, K., Boyles, S. 2018. Smart transport for cities and nations. The rise of self-driving and connected vehicles. The University of Texas at Austin.

Kovaceva, J., et al. (14 authors). 2019. Assessment of the PROSPECT safety systems including socio-economic evaluation. Deliverable D2.3 of the PROSPECT project (proactive safety for pedestrians and cyclists). Gothenburg, Chalmers University of Technology.

Lanzaro, G., Sayed, T., & Fu, C. (2023). A comparison of pedestrian behavior in interactions with autonomous and human-driven vehicles: An extreme value theory approach. Transportation research part F: traffic psychology and behaviour, 99, 1-18.

Le Vine, S., Zolfaghari, A., Polak, J. 2015. Autonomous cars: The tension between occupant experience and intersection capacity. Transportation Research Part C, 52, 1-14.

Li, Y., Wang, H., Xing, L., Liu, S., Wei, X. 2017. Evaluation of the impacts of cooperative adaptive cruise control on reducing rear-end collision risks on freeways. Accident Analysis and Prevention, 98, 87-95.

Liu, P. , Yang, R., Xu, Z. 2019. Public acceptance of fully automated driving: Effects of social trust and risk/benefit perceptions. Risk Analysis, 39, 326-341.

Liu, X., Shen, D., Lai, L., Le Vine, S. 2020. Optimizing the safety-efficiency balancing of automated vehicle car-following. Accident Analysis and Prevention, 136, 105435.

Morando, M. M., Tian, Q., Truong, L. T., Vu, H. V. 2018. Studying the safety impact of autonomous vehicles using simulation-based surrigate safety measures. Journal of Advanced Transportation. doi.org/10.1155/2018/6135183.

Müller, J. F., Gogoll, J. 2020. Should manual driving be (eventually) outlawed? Science and Engineering Ethics.

Olia, A., Abdelgawad, H., Abdulhai, B., Razavi, S. N. 2016. Assessing potential impacts of connected vehicles: Mobility, environmental, and safety perspectives. Journal of Intelligent Transportation Systems, 20, 229-243.

Papadoulis, A., Quddus, M., Imprialou, M. 2019. Evaluating the safety impact of connected and autonomous vehicles on motorways. Accident Analysis and Prevention, 124, 12-22.

Pokorny, P., Skender, B., Bjørnskau, T., & Hagenzieker, M. P. (2021). Video observation of encounters between the automated shuttles and other traffic participants along an approach to right-hand priority T-intersection. European Transport Research Review, 13(1), 59.

Pokorny, P., & Høye, A. (2022). Descriptive analysis of reports on autonomous vehicle collisions in California: January 2021–June 2022. Traffic Safety Research, 2, 000011-000011.

Rahman, M. S., Abdel-Aty, M. 2018. Longitudinal safety evaluation of connected vehicles’ platooning on expressways, Accident Analysis and Prevention, 117, 381–391.

Rahman, M. S., Abdel-Aty, M., Lee, J., Rahman, M. H. 2019. Safety benefits of arterials’ crash risk under connected and automated vehicles. Transportation Research Part C, 100, 354-371.

Rahmati, Y., Hosseini, M. K., Talebpour, A., Swain, B., Nelson, C. 2019. Influence of autonomous vehicles on car-following behavior of human drivers. Transportation Research Record, 2673, 367-379.

Şahin, H., Hemesath, S., & Boll, S. (2022). Deviant behavior of pedestrians: a risk gamble or just against automated vehicles? How about social control?. Frontiers in Robotics and AI, 9, 885319.

Schwarting, W., Pierson, A., Alonso-Mora, J., Karaman, S., & Rus, D. (2019). Social behavior for autonomous vehicles. Proceedings of the National Academy of Sciences, 116(50), 24979–24984. https://doi.org/10.1073/pnas.1820676116

Shen, J. (2025, July 29). China greenlights autonomous ride-hailing service in all first-tier cities | WAIC 2025. TechNode. https://technode.com/2025/07/29/china-greenlights-autonomous-ride-hailing-service-in-all-first-tier-cities-waic-2025/

Shi, Y., He, Q., Huang, Z. 2019. Capacity analysis and cooperative lane changing for connected and automated vehicles: entropy-based assessment method. Transportation Research Record, 2673, 485-498.

Shladover, S. E., Su, D., Lu, X.-Y. 2012. Impacts of Cooperative Adaptive Cruise Control on Freeway Traffic Flow, Transportation Research Record: Journal of the Transportation Research Board, 2324, 63–70.

Sparrow, R., Howard, M. 2017. When human beings are like drunk robots: Driverless vehicles, ethics, and the future of transport. Transportation Research Part C, 80, 206-215.

Statens vegvesen (2020). Vegkart for arbeid med standardisering av ITS. Statens vegvesens rapporter, nr. 698. Vegdirektoratet, Vegtransport.

Teoh, E. R., & Kidd, D. G. (2017). Rage against the machine? Google’s self-driving cars versus human drivers. Journal of safety research, 63, 57-60.

Tientrakool, P., Ho, Y-C., Maxemchuk, F. 2011. Highway capacity benefits from using vehicle-to-vehicle communication and sensors for collision avoidance. IEEE proceedings of Vehicular Technology Conference, San Francisco.

Topham, G. (2025, June 10). ‘They’re living in fantasy land’: Uber to trial self-driving taxis in London next spring. The Guardian. https://www.theguardian.com/technology/2025/jun/10/uber-uk-trial-of-self-driving-taxis-brought-forward-to-spring-2026

Topham, G., & Davies, R. (2025, October 15). Driverless taxis from Waymo will be on London’s roads next year, US firm announces. The Guardian. https://www.theguardian.com/technology/2025/oct/15/driverless-taxis-from-waymo-will-be-on-londons-roads-next-year-us-firm-announces

Tosiani, R. (2025, December 10). Stellantis partners with Bolt for 2026 driverless ride-hailing trials in Europe. Reuters. https://www.reuters.com/business/autos-transportation/stellantis-partners-with-bolt-2026-driverless-ride-hailing-trials-europe-2025-12-09/

UNECE (2020). Working Party on Automated/Autonomous and Connected Vehicles – Introduction. https://unece.org/transportvehicle-regulations/working-party-automatedautonomous-and-connected-vehicles-introduction

Virdi, N., Grzybowska, H., Waller, S. T., Dixit, V. 2019. A safety assessment of mixed fleets with connected and autonomous vehicles using the surrogate safety assessment module. Accident Analysis and Prevention, 131, 95-111.

Wang, J., Zhang, L., Huang, Y., Zhao, H. (2020). Safety of autonomous vehicles. Journal of Advanced Transportation, Article ID 8867757.

Wang, Y., Farah, H., Yu, R., Qiu, S., & van Arem, B. (2023). Characterizing behavioral differences of autonomous vehicles and human-driven vehicles at signalized intersections based on Waymo Open Dataset. Transportation Research Record, 2677(11), 324–337. https://doi.org/10.1177/03611981231165783

Yang, Z., Wang, X, Pei, X., Feng, S., Wong, S, C. (2018). Longitudinal safety analysis for heterogeneous platoon of automated and human vehicles. IEEE Transactions on Intelligent Transport Systems.

Ye, L., Yamamoto, T. 2018. Modelling connected and autonomous vehicles in heterogeneous traffic flow. Physica A, 490, 269-277.