論文の概要: Optimal Controller Realizations against False Data Injections in Cooperative Driving
- arxiv url: http://arxiv.org/abs/2404.05361v2
- Date: Mon, 28 Oct 2024 13:39:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-29 16:00:23.771003
- Title: Optimal Controller Realizations against False Data Injections in Cooperative Driving
- Title（参考訳）: 協調運転における偽データ注入に対する最適制御器の実現
- Authors: Mischa Huisman, Carlos Murguia, Erjen Lefeber, Nathan van de Wouw,
- Abstract要約: 本研究では,False-Data Injection(FDI)攻撃の効果を緩和するためのコントローラ指向アプローチについて検討する。
我々は,新しいが等価なコントローラのクラスがベースコントローラを表現可能であることを示す。
FDI攻撃の影響を最小限に抑えるセンサの最適組み合わせを得る。
- 参考スコア（独自算出の注目度）: 2.2134894590368748
- License:
- Abstract: To enhance the robustness of cooperative driving to cyberattacks, we study a controller-oriented approach to mitigate the effect of a class of False-Data Injection (FDI) attacks. By reformulating a given dynamic Cooperative Adaptive Cruise Control scheme (the base controller), we show that a class of new but equivalent controllers (base controller realizations) can represent the base controller. This controller class exhibits the same platooning behavior in the absence of attacks, but in the presence of attacks, their robustness varies with the realization. We propose a prescriptive synthesis framework where the base controller and the system dynamics are written in new coordinates via an invertible coordinate transformation on the controller state. Because the input-output behavior is invariant under coordinate transformations, the input-output behavior is unaffected (so controller realizations do not change the system's closed-loop performance). However, each controller realization may require a different combination of sensors. Subsequently, we obtain the optimal combination of sensors that minimizes the effect of FDI attacks by solving a linear matrix inequality while quantifying the FDI's attack impact through reachability analysis. Through simulation studies, we demonstrate that this approach enhances the robustness of cooperative driving without relying on a detection scheme and maintaining all system properties.
- Abstract（参考訳）: サイバー攻撃に対する協調運転の堅牢性を高めるため,我々はFalse-Data Injection(FDI)攻撃の効果を軽減するためのコントローラ指向のアプローチを検討した。
与えられた動的協調型適応クルーズ制御スキーム(ベースコントローラ)を再構成することにより、新しいが等価なコントローラ(ベースコントローラの実現)のクラスがベースコントローラを表現可能であることを示す。
この制御クラスは攻撃がない場合と同じ小隊動作を示すが、攻撃が存在する場合、その堅牢性は実現によって変化する。
ベースコントローラとシステムダイナミクスを制御状態の可逆座標変換によって新しい座標に書き込むための規範的合成フレームワークを提案する。
入力出力動作は座標変換の下で不変であるため、入力出力動作は影響を受けない(したがって、コントローラの実現はシステムのクローズドループ性能を変化させない)。
しかし、各コントローラの実現には異なるセンサーの組み合わせが必要になるかもしれない。
次に,FDI攻撃の影響を最小化するセンサの最適組み合わせについて,到達性解析によりFDI攻撃の影響を定量化しながら線形行列不等式を解くことにより,FDI攻撃の効果を最小化する。
シミュレーション研究を通じて、本手法は、検知方式に頼らず、全てのシステム特性を維持せずに、協調運転の堅牢性を高めることを実証する。
関連論文リスト
- Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution [51.83951489847344]
ロボット工学の応用において、スムーズな制御信号はシステム摩耗とエネルギー効率を減らすために一般的に好まれる。
本研究では,離散的な動作空間を粗い状態から細かい制御分解能まで拡大することにより,この性能ギャップを埋めることを目的とする。
我々の研究は、値分解とアダプティブ・コントロール・リゾリューションが組み合わさることで、単純な批判のみのアルゴリズムが得られ、連続制御タスクにおいて驚くほど高い性能が得られることを示唆している。
論文 参考訳（メタデータ） (2024-04-05T17:58:37Z) - Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。
本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
論文 参考訳（メタデータ） (2024-02-04T15:54:03Z) - 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) - Conformal Policy Learning for Sensorimotor Control Under Distribution
Shifts [61.929388479847525]
本稿では,センサコントローラの観測値の分布変化を検知・応答する問題に焦点をあてる。
鍵となる考え方は、整合量子を入力として取ることができるスイッチングポリシーの設計である。
本稿では, 基本方針を異なる特性で切り替えるために, 共形量子関数を用いてこのようなポリシーを設計する方法を示す。
論文 参考訳（メタデータ） (2023-11-02T17:59:30Z) - Tuning Legged Locomotion Controllers via Safe Bayesian Optimization [47.87675010450171]
本稿では,ロボットハードウェアプラットフォームにおけるモデルベースコントローラの展開を効率化するための,データ駆動型戦略を提案する。
モデルフリーな安全な学習アルゴリズムを用いて制御ゲインのチューニングを自動化し、制御定式化で使用される単純化されたモデルと実システムとのミスマッチに対処する。
論文 参考訳（メタデータ） (2023-06-12T13:10:14Z) - Designing a Robust Low-Level Agnostic Controller for a Quadrotor with
Actor-Critic Reinforcement Learning [0.38073142980732994]
ソフトアクター・クリティカルに基づく低レベルウェイポイント誘導制御器の訓練段階におけるドメインランダム化を提案する。
トレーニング中の四元数力学に一定の不確実性を導入することにより、より大規模な四元数パラメータを用いて提案課題を実行することができる制御器が得られることを示す。
論文 参考訳（メタデータ） (2022-10-06T14:58:19Z) - Actor-Critic based Improper Reinforcement Learning [61.430513757337486]
我々は,未知のマルコフ決定プロセスに対して,学習者に100万ドルのベースコントローラを付与する不適切な強化学習環境を考える。
本稿では,(1)ポリシーグラディエントに基づくアプローチ,(2)単純なアクター・クリティカル・スキームとNatural Actor-Criticスキームを切り替えるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-07-19T05:55:02Z) - Policy Search for Model Predictive Control with Application to Agile
Drone Flight [56.24908013905407]
MPCのためのポリシ・フォー・モデル・予測制御フレームワークを提案する。
具体的には、パラメータ化コントローラとしてMPCを定式化し、パラメータ化の難しい決定変数を高レベルポリシーとして表現する。
シミュレーションと実環境の両方において,我々の制御器が堅牢かつリアルタイムに制御性能を発揮することを示す実験を行った。
論文 参考訳（メタデータ） (2021-12-07T17:39:24Z) - Collision-Free Flocking with a Dynamic Squad of Fixed-Wing UAVs Using
Deep Reinforcement Learning [2.555094847583209]
深層強化学習(DRL)による分散型リーダ・フォロワリング制御問題に対処する。
我々は,すべてのフォロワーに対して共有制御ポリシーを学習するための新しい強化学習アルゴリズムCACER-IIを提案する。
その結果、可変長系状態を固定長埋め込みベクトルに符号化することができ、学習されたDRLポリシーをフォロワーの数や順序と独立にすることができる。
論文 参考訳（メタデータ） (2021-01-20T11:23:35Z) - Learning a Contact-Adaptive Controller for Robust, Efficient Legged
Locomotion [95.1825179206694]
四足歩行ロボットのためのロバストコントローラを合成するフレームワークを提案する。
高レベルコントローラは、環境の変化に応じてプリミティブのセットを選択することを学習する。
確立された制御方法を使用してプリミティブを堅牢に実行する低レベルコントローラ。
論文 参考訳（メタデータ） (2020-09-21T16:49:26Z) - Closed-loop spiking control on a neuromorphic processor implemented on
the iCub [4.1388807795505365]
混合信号アナログデジタルニューロモルフィックハードウェアに実装した閉ループモータコントローラを提案する。
ネットワークは、ターゲット、フィードバック、エラー信号を符号化することで比例制御を行う。
ネットワーク構造を最適化して、ノイズの多い入力やデバイスミスマッチをより堅牢にします。
論文 参考訳（メタデータ） (2020-09-01T14:17:48Z)
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。