論文の概要: Trust-Aware Resilient Control and Coordination of Connected and
Automated Vehicles
- arxiv url: http://arxiv.org/abs/2305.16818v2
- Date: Sat, 3 Jun 2023 02:44:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 00:39:30.455129
- Title: Trust-Aware Resilient Control and Coordination of Connected and
Automated Vehicles
- Title(参考訳): 信頼対応型レジリエント制御と自動走行車の協調
- Authors: H M Sabbir Ahmad, Ehsan Sabouni, Wei Xiao, Christos G. Cassandras,
Wenchao Li
- Abstract要約: 敵の攻撃は安全違反を引き起こし、衝突や交通渋滞を引き起こす。
敵攻撃や非協力的CAVの影響を緩和する分散型レジリエンス制御・調整手法を提案する。
- 参考スコア(独自算出の注目度): 11.97553028903872
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: We address the security of a network of Connected and Automated Vehicles
(CAVs) cooperating to navigate through a conflict area. Adversarial attacks
such as Sybil attacks can cause safety violations resulting in collisions and
traffic jams. In addition, uncooperative (but not necessarily adversarial) CAVs
can also induce similar adversarial effects on the traffic network. We propose
a decentralized resilient control and coordination scheme that mitigates the
effects of adversarial attacks and uncooperative CAVs by utilizing a trust
framework. Our trust-aware scheme can guarantee safe collision free
coordination and mitigate traffic jams. Simulation results validate the
theoretical guarantee of our proposed scheme, and demonstrate that it can
effectively mitigate adversarial effects across different traffic scenarios.
- Abstract(参考訳): 我々は,コンフリクトエリアをナビゲートするために協調する,コネクテッド・アンド・オートマチック・ビークル(cav)のネットワークのセキュリティについて論じる。
シビル攻撃のような敵攻撃は、衝突や交通渋滞を引き起こす安全違反を引き起こす可能性がある。
さらに、非協調的(しかし必ずしも敵対的ではない)CAVは、交通ネットワークに類似した敵効果を誘発する。
本稿では,信頼枠組みを利用して,敵対的攻撃と非協力的CAVの効果を緩和する分散型レジリエンス制御・調整手法を提案する。
信頼認識方式は衝突のない安全な協調を保証し、交通渋滞を軽減できる。
シミュレーション結果は,提案手法の理論的保証を検証し,異なる交通シナリオにまたがる逆効果を効果的に軽減できることを実証する。
関連論文リスト
- Exploring Attack Resilience in Distributed Platoon Controllers with
Model Predictive Control [0.0]
本論文は、攻撃シナリオの調査とシステム性能への影響評価により、分散車両小隊制御装置のセキュリティ向上を図ることを目的としている。
Man-in-the-middle (MITM) や false Data Injection (FDI) などの攻撃技術は、モデル予測制御 (MPC) コントローラを用いてシミュレーションされる。
攻撃分析や、検出に機械学習技術を使用した強化通信プロトコルを含む対策が提供されている。
論文 参考訳(メタデータ) (2024-01-08T20:27:16Z) - 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) - 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) - Spatial-Temporal-Aware Safe Multi-Agent Reinforcement Learning of
Connected Autonomous Vehicles in Challenging Scenarios [10.37986799561165]
通信技術はコネクテッド・自動運転車(CAV)間の協調を可能にする
CAVのための並列安全シールドを備えた制約付きマルチエージェント強化学習(MARL)フレームワークを提案する。
その結果,提案手法は難易度の高いシナリオにおいて,システムの安全性と効率を著しく向上させることがわかった。
論文 参考訳(メタデータ) (2022-10-05T14:39:07Z) - AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。
我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。
私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文 参考訳(メタデータ) (2022-09-19T03:34:59Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳(メタデータ) (2022-06-28T17:08:31Z) - Simulating Malicious Attacks on VANETs for Connected and Autonomous
Vehicle Cybersecurity: A Machine Learning Dataset [0.4129225533930965]
コネクテッド・アンド・オートマチック・ビークルズ(CAV)はVehicular Adhoc Networksに頼り、安全運転を支援するために車両と道路インフラストラクチャー間の無線通信を行っている。
サイバーセキュリティ攻撃はVANETとCAVの安全な運用に脅威をもたらす。
本研究では,悪質な攻撃を受ける可能性のある典型的な通信シナリオをモデル化するためのシミュレーション手法を提案する。
論文 参考訳(メタデータ) (2022-02-15T20:08:58Z) - Trust-aware Control for Intelligent Transportation Systems [0.20415910628419062]
本稿では,エージェントの信頼性を定量化し,信頼性に配慮した協調制御を実現するための枠組みを提案する。
我々は、強化学習に基づくアプローチを用いて、信頼を意識したコントローラの合成方法を示す。
AIM-Trustと呼ばれる信頼を意識したバージョンを開発し、信頼できないエージェントと信頼できないエージェントの混在したシナリオにおける事故率を低くする。
論文 参考訳(メタデータ) (2021-11-08T03:02:25Z) - Adversarial Attacks On Multi-Agent Communication [80.4392160849506]
現代の自律システムはすぐに大規模に展開され、協調型マルチエージェントシステムの可能性を広げる。
このような利点は、セキュリティ侵害に対して脆弱であることが示されている通信チャネルに大きく依存している。
本稿では,エージェントが学習した中間表現を共有してコミュニケーションする新しいマルチエージェント環境において,このような攻撃を探索する。
論文 参考訳(メタデータ) (2021-01-17T00:35:26Z) - A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。
本稿では,入力空間における自己教師型対向学習機構を提案する。
これは、反逆攻撃に対する強力な堅牢性を提供する。
論文 参考訳(メタデータ) (2020-06-08T20:42:39Z) - A Multi-Agent Reinforcement Learning Approach For Safe and Efficient
Behavior Planning Of Connected Autonomous Vehicles [21.132777568170702]
我々は、コネクテッド・自動運転車のための情報共有型強化学習フレームワークを設計する。
提案手法は, 平均速度と快適性の観点から, CAV システムの効率性を向上させることができることを示す。
我々は,共用視覚が早期に障害物を観測し,交通渋滞を避けるために行動を起こすのに役立つことを示すために,障害物回避シナリオを構築した。
論文 参考訳(メタデータ) (2020-03-09T19:15:30Z)
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。