論文の概要: Adversarial Machine Learning Threats to Spacecraft

• arxiv url: http://arxiv.org/abs/2405.08834v1
• Date: Tue, 14 May 2024 02:42:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-16 15:15:00.930396
• Title: Adversarial Machine Learning Threats to Spacecraft
• Title（参考訳）: 宇宙機に対する敵対的機械学習の脅威
• Authors: Rajiv Thummala, Shristi Sharma, Matteo Calabrese, Gregory Falco,
• Abstract要約: 自律性への依存が高まるにつれ、宇宙車両は自律プロセスを妨害するために設計された攻撃に対してますます脆弱になる。 本稿では、敵機械学習(AML)が宇宙船にもたらす脅威を解明し、実証することを目的とする。
• 参考スコア（独自算出の注目度）: 1.837431956557716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spacecraft are among the earliest autonomous systems. Their ability to function without a human in the loop have afforded some of humanity's grandest achievements. As reliance on autonomy grows, space vehicles will become increasingly vulnerable to attacks designed to disrupt autonomous processes-especially probabilistic ones based on machine learning. This paper aims to elucidate and demonstrate the threats that adversarial machine learning (AML) capabilities pose to spacecraft. First, an AML threat taxonomy for spacecraft is introduced. Next, we demonstrate the execution of AML attacks against spacecraft through experimental simulations using NASA's Core Flight System (cFS) and NASA's On-board Artificial Intelligence Research (OnAIR) Platform. Our findings highlight the imperative for incorporating AML-focused security measures in spacecraft that engage autonomy.
• Abstract（参考訳）: 宇宙機は最も初期の自律システムの一つである。 ループの中で人間なしで機能する能力は、人類の偉大な業績のいくつかを生んでいる。 自律性への依存が高まるにつれ、宇宙車両は、自律的なプロセス、特に機械学習に基づく確率論的プロセスを破壊するために設計された攻撃に対して、ますます脆弱になる。 本稿では、敵機械学習(AML)が宇宙船にもたらす脅威を解明し、実証することを目的とする。 まず、宇宙船のAML脅威分類を導入する。 次に、NASAのCore Flight System(cFS)とNASAのOn-board Artificial Intelligence Research(OnAIR)プラットフォームを用いた実験シミュレーションにより、宇宙船に対するAML攻撃の実行を実演する。 我々の研究は、自律的な宇宙船にAMLに焦点をあてたセキュリティ対策を取り入れる上での必須事項を浮き彫りにした。

関連論文リスト

• Exploring the Adversarial Vulnerabilities of Vision-Language-Action Models in Robotics [70.93622520400385]
  本稿では,VLAに基づくロボットシステムのロバスト性を体系的に評価する。 本研究では,ロボット行動の不安定化に空間的基盤を活用する,標的のない位置認識型攻撃目標を提案する。 また、カメラの視野内に小さなカラフルなパッチを配置し、デジタル環境と物理環境の両方で効果的に攻撃を実行する逆パッチ生成アプローチを設計する。
  論文  参考訳（メタデータ） (2024-11-18T01:52:20Z)
• Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
  本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
  論文  参考訳（メタデータ） (2024-05-14T09:42:21Z)
• LLMSat: A Large Language Model-Based Goal-Oriented Agent for Autonomous Space Exploration [0.0]
  本研究は,宇宙船の高レベル制御システムとしてのLarge Language Models (LLMs)の適用について検討する。 一般的なゲームエンジンであるKerbal Space Programでシミュレートされた一連の深宇宙ミッションシナリオをケーススタディとして使用し、要求に対する実装を評価する。
  論文  参考訳（メタデータ） (2024-04-13T03:33:17Z)
• LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
  大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。 本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-02T07:23:33Z)
• Spacecraft Autonomous Decision-Planning for Collision Avoidance: a Reinforcement Learning Approach [0.0]
  本研究は、強化学習技術に基づく宇宙船における自律的なCA意思決定機能の実装を提案する。 提案フレームワークは,軌道上の破片の状態を不完全な監視し,正確な衝突回避策(CAM)を実行するためのポリシーをAIシステムが効果的に学習できるようにする。 目的は、CAMを自律的に実施するための意思決定プロセスを、人間の介入なしに宇宙船に委譲することである。
  論文  参考訳（メタデータ） (2023-10-29T10:15:33Z)
• SpaceYOLO: A Human-Inspired Model for Real-time, On-board Spacecraft Feature Detection [0.0]
  衝突の危険箇所を特定するためには、リアルタイムで自動的な宇宙船の特徴認識が必要である。 新しいアルゴリズムSpaceYOLOは、最先端のオブジェクト検出器YOLOv5を、人間にインスパイアされた意思決定プロセスに基づいて、別個のニューラルネットワークで融合する。 SpaceYOLOの自律型宇宙船検出の性能は、ハードウェア・イン・ザ・ループ実験において通常のYOLOv5と比較される。
  論文  参考訳（メタデータ） (2023-02-02T02:11:39Z)
• Enabling Astronaut Self-Scheduling using a Robust Advanced Modelling and Scheduling system: an assessment during a Mars analogue mission [44.621922701019336]
  アナログ宇宙飛行士の乗組員によるコンピュータ意思決定支援ツールの使用について検討した。 提案されたツールはRomieと呼ばれ、Robost Advanced Modelling and Scheduling (RAMS)システムの新しいカテゴリに属している。
  論文  参考訳（メタデータ） (2023-01-14T21:10:05Z)
• Autonomous Aerial Robot for High-Speed Search and Intercept Applications [86.72321289033562]
  高速物体把握のための完全自律飛行ロボットが提案されている。 追加のサブタスクとして、我々のシステムは、表面に近い極にある気球を自律的にピアスすることができる。 我々のアプローチは、挑戦的な国際競争で検証され、優れた結果が得られました。
  論文  参考訳（メタデータ） (2021-12-10T11:49:51Z)
• Automating Privilege Escalation with Deep Reinforcement Learning [71.87228372303453]
  本研究では,エージェントの訓練に深層強化学習を用いることで,悪意あるアクターの潜在的な脅威を実証する。 本稿では,最先端の強化学習アルゴリズムを用いて,局所的な特権エスカレーションを行うエージェントを提案する。 我々のエージェントは、実際の攻撃センサーデータを生成し、侵入検知システムの訓練と評価に利用できる。
  論文  参考訳（メタデータ） (2021-10-04T12:20:46Z)
• Invisible for both Camera and LiDAR: Security of Multi-Sensor Fusion based Perception in Autonomous Driving Under Physical-World Attacks [62.923992740383966]
  本稿では,MDFに基づくADシステムにおけるセキュリティ問題の最初の研究について述べる。 物理的に実現可能な逆3Dプリントオブジェクトを生成し、ADシステムが検出に失敗してクラッシュする。 以上の結果から,攻撃は様々なオブジェクトタイプおよびMSFに対して90%以上の成功率を達成した。
  論文  参考訳（メタデータ） (2021-06-17T05:11:07Z)
• Imitation Learning for Autonomous Trajectory Learning of Robot Arms in Space [13.64392246529041]
  実演や模倣学習によるプログラミングの概念は、小型宇宙船に搭載されたマニピュレータの軌道計画に使用される。 7自由度(DoF)を持つロボットアームは、将来の宇宙ミッションにおける自律性の向上と地上制御による人間の介入の最小化のために、デブリ除去、軌道上サービス、組み立てといった複数のタスクを実行するために構想されている。
  論文  参考訳（メタデータ） (2020-08-10T10:18:04Z)

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。