Fugu-MT 論文翻訳(概要): Attacking Deep Reinforcement Learning-Based Traffic Signal Control Systems with Colluding Vehicles

論文の概要: Attacking Deep Reinforcement Learning-Based Traffic Signal Control Systems with Colluding Vehicles

arxiv url: http://arxiv.org/abs/2111.02845v1
Date: Thu, 4 Nov 2021 13:10:33 GMT
ステータス: 処理完了
システム内更新日: 2021-11-05 19:16:25.841310
Title: Attacking Deep Reinforcement Learning-Based Traffic Signal Control Systems with Colluding Vehicles
Title（参考訳）: 衝突車両を用いた深部強化学習型交通信号制御システムへの攻撃
Authors: Ao Qu, Yihong Tang, Wei Ma
Abstract要約: 本稿では,DRLをベースとしたATCSに対して,車両群が連携して偽情報を送信できる,新たな課題を定式化する。 CollusionVehは、道路状況エンコーダ、車両インタプリタ、通信機構で構成される汎用的で効果的な車両処理フレームワークである。この研究結果は、ATCSの信頼性と堅牢性を改善し、スマートモビリティシステムを保護するのに役立つだろう。
参考スコア（独自算出の注目度）: 4.2455052426413085
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The rapid advancements of Internet of Things (IoT) and artificial intelligence (AI) have catalyzed the development of adaptive traffic signal control systems (ATCS) for smart cities. In particular, deep reinforcement learning (DRL) methods produce the state-of-the-art performance and have great potentials for practical applications. In the existing DRL-based ATCS, the controlled signals collect traffic state information from nearby vehicles, and then optimal actions (e.g., switching phases) can be determined based on the collected information. The DRL models fully "trust" that vehicles are sending the true information to the signals, making the ATCS vulnerable to adversarial attacks with falsified information. In view of this, this paper first time formulates a novel task in which a group of vehicles can cooperatively send falsified information to "cheat" DRL-based ATCS in order to save their total travel time. To solve the proposed task, we develop CollusionVeh, a generic and effective vehicle-colluding framework composed of a road situation encoder, a vehicle interpreter, and a communication mechanism. We employ our method to attack established DRL-based ATCS and demonstrate that the total travel time for the colluding vehicles can be significantly reduced with a reasonable number of learning episodes, and the colluding effect will decrease if the number of colluding vehicles increases. Additionally, insights and suggestions for the real-world deployment of DRL-based ATCS are provided. The research outcomes could help improve the reliability and robustness of the ATCS and better protect the smart mobility systems.
Abstract（参考訳）: モノのインターネット(IoT)と人工知能(AI)の急速な進歩は、スマートシティ向けの適応交通信号制御システム(ATCS)の開発を触媒にしている。特に、深層強化学習(DRL)法は最先端の性能を生み出し、実用的な応用に大きな可能性を秘めている。既存のDRLベースのATCSでは、制御信号が近くの車両から交通状況情報を収集し、その収集情報に基づいて最適な動作(例えば、スイッチングフェーズ)を決定することができる。 DRLは、車両が真の情報を信号に送信していることを完全に「信頼」しており、ATCSは偽情報による敵攻撃に脆弱である。そこで本論文では, 車両群が, 全走行時間を節約するために, DRLをベースとしたATCSにファリシファイド情報を協調的に送信する, 新たなタスクを初めて定式化する。提案課題を解決するために,道路状況エンコーダ,車両インタプリタ,通信機構で構成される汎用的で効果的な車両処理フレームワークであるColrusionVehを開発した。我々は,既存のDRLをベースとしたATCS攻撃手法を用いて,衝突車両の総走行時間を適切な回数の学習時間で大幅に短縮し,衝突車両の数が増加すると衝突効果が低下することを示した。さらに、DRLベースのATCSの実際の展開に関する洞察と提案が提供される。この研究結果は、ATCSの信頼性と堅牢性を改善し、スマートモビリティシステムを保護するのに役立つだろう。

関連論文リスト

Communication-Aware Reinforcement Learning for Cooperative Adaptive Cruise Control [15.31488551912888]
強化学習(RL)はCACCにおける複雑な意思決定プロセスの最適化に有効であることが証明されている。 MARLは、複数のCAV間で協調的な動作を可能にすることで、顕著な可能性を示している。これらの課題に対処するために,コミュニケーション対応強化学習(CA-RL)を提案する。
論文参考訳（メタデータ） (2024-07-12T03:28:24Z)
CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。 Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
論文参考訳（メタデータ） (2023-10-19T02:49:31Z)
Convergence of Communications, Control, and Machine Learning for Secure and Autonomous Vehicle Navigation [78.60496411542549]
接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
論文参考訳（メタデータ） (2023-07-05T21:38:36Z)
A Novel Multi-Agent Deep RL Approach for Traffic Signal Control [13.927155702352131]
都市ネットワークにおける複数の交通信号制御のための Friend-Deep Q-network (Friend-DQN) アプローチを提案する。特に、複数のエージェント間の協調は状態-作用空間を減少させ、収束を加速させる。
論文参考訳（メタデータ） (2023-06-05T08:20:37Z)
Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
論文参考訳（メタデータ） (2022-10-31T20:12:17Z)
COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文参考訳（メタデータ） (2022-05-04T17:55:12Z)
Deep Reinforcement Learning Aided Platoon Control Relying on V2X Information [78.18186960475974]
車両間通信(V2X)が小隊制御性能に及ぼす影響について検討した。我々の目的は、最も適切な状態空間を構築するために、車両間で共有されるべき特定の情報の集合を見つけることである。状態空間に含めると、より高い状態次元を持つ負の効果を相殺する確率が高いため、より有益な情報が伝達においてより高い優先度で与えられる。
論文参考訳（メタデータ） (2022-03-28T02:11:54Z)
Vehicular Cooperative Perception Through Action Branching and Federated Reinforcement Learning [101.64598586454571]
強化学習に基づく車両関連、リソースブロック(RB)割り当て、協調認識メッセージ(CPM)のコンテンツ選択を可能にする新しいフレームワークが提案されている。車両全体のトレーニングプロセスをスピードアップするために、フェデレーションRLアプローチが導入されます。その結果、フェデレーションRLはトレーニングプロセスを改善し、非フェデレーションアプローチと同じ時間内により良いポリシーを達成できることが示された。
論文参考訳（メタデータ） (2020-12-07T02:09:15Z)
Leveraging the Capabilities of Connected and Autonomous Vehicles and Multi-Agent Reinforcement Learning to Mitigate Highway Bottleneck Congestion [2.0010674945048468]
RLをベースとしたマルチエージェントCAV制御モデルを提案する。その結果、CAVのシェアが10%以下である場合でも、CAVはハイウェイ交通のボトルネックを著しく軽減することができることが示唆された。
論文参考訳（メタデータ） (2020-10-12T03:52:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。