論文の概要: Secure Control Systems for Autonomous Quadrotors against Cyber-Attacks

• arxiv url: http://arxiv.org/abs/2409.11897v1
• Date: Wed, 18 Sep 2024 11:43:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-19 17:50:39.193804
• Title: Secure Control Systems for Autonomous Quadrotors against Cyber-Attacks
• Title（参考訳）: サイバー攻撃に対する自律型クアドロレータの安全制御システム
• Authors: Samuel Belkadi,
• Abstract要約: 本研究はまず,自律型四元系のためのインテリジェント制御系を設計する。 最先端のディープラーニングに基づく手法を用いて、最適な偽データ注入攻撃方式を提案する。 私たちは最近、自律的な設定のためにデプロイされた最先端の4倍体であるAgiliciousをベースとしています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The problem of safety for robotic systems has been extensively studied. However, little attention has been given to security issues for three-dimensional systems, such as quadrotors. Malicious adversaries can compromise robot sensors and communication networks, causing incidents, achieving illegal objectives, or even injuring people. This study first designs an intelligent control system for autonomous quadrotors. Then, it investigates the problems of optimal false data injection attack scheduling and countermeasure design for unmanned aerial vehicles. Using a state-of-the-art deep learning-based approach, an optimal false data injection attack scheme is proposed to deteriorate a quadrotor's tracking performance with limited attack energy. Subsequently, an optimal tracking control strategy is learned to mitigate attacks and recover the quadrotor's tracking performance. We base our work on Agilicious, a state-of-the-art quadrotor recently deployed for autonomous settings. This paper is the first in the United Kingdom to deploy this quadrotor and implement reinforcement learning on its platform. Therefore, to promote easy reproducibility with minimal engineering overhead, we further provide (1) a comprehensive breakdown of this quadrotor, including software stacks and hardware alternatives; (2) a detailed reinforcement-learning framework to train autonomous controllers on Agilicious agents; and (3) a new open-source environment that builds upon PyFlyt for future reinforcement learning research on Agilicious platforms. Both simulated and real-world experiments are conducted to show the effectiveness of the proposed frameworks in section 5.2.
• Abstract（参考訳）: ロボットシステムの安全性の問題は広く研究されている。 しかし,3次元システムのセキュリティ問題,例えば四角形などの問題にはほとんど注意が払われていない。 悪意のある敵はロボットのセンサーや通信ネットワークを侵害し、事故を引き起こしたり、違法な目的を達成したり、人を傷つけたりすることができる。 本研究はまず,自律型四元系のためのインテリジェント制御系を設計する。 そこで,無人航空機における最適な偽データ注入攻撃スケジューリングと対策設計の問題点について検討した。 最先端の深層学習に基づく手法を用いて,攻撃エネルギーに制限のある四重項追跡性能を劣化させるために,最適偽データ注入攻撃法を提案する。 その後、攻撃を緩和し、四重項追跡性能を回復する最適な追跡制御戦略が学習される。 私たちは最近、自律的な設定のためにデプロイされた最先端の4倍体であるAgiliciousをベースとしています。 本論文は、イギリスで初めてこの四角子を配備し、そのプラットフォームに強化学習を実装したものである。 そこで,本研究では,(1)ソフトウェアスタックやハードウェアの代替品を含む,この4倍体を包括的に分解し,(2)Agiliciousエージェント上で自律的なコントローラを訓練するための詳細な強化学習フレームワーク,(3)PyFlyt上に構築された新たなオープンソース環境を,今後のAgiliciousプラットフォーム上での強化学習研究のために提供する。 シミュレーションおよび実世界の実験を行い,提案手法の有効性を第5章2節で示す。

関連論文リスト

• A Survey on Adversarial Robustness of LiDAR-based Machine Learning Perception in Autonomous Vehicles [0.0]
  この調査は、AML(Adversarial Machine Learning)と自律システムの交差点に焦点を当てている。 我々は、脅威の風景を包括的に探求し、センサーに対するサイバー攻撃と敵の摂動を包含する。 本稿では、敵の脅威に対する自律運転システムの安全性確保における課題と今後の課題を簡潔に概説する。
  論文  参考訳（メタデータ） (2024-11-21T01:26:52Z)
• 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)
• Towards Real-World Efficiency: Domain Randomization in Reinforcement Learning for Pre-Capture of Free-Floating Moving Targets by Autonomous Robots [0.0]
  本研究では,微小重力環境下でのロボットプレグラスピングの複雑な課題に対処するために,深層強化学習に基づく制御手法を提案する。 本手法は,ソフトアクター・クリティックな手法を用いて,自由な移動物体にグリッパーが十分に接近できるように,非政治強化学習の枠組みを取り入れたものである。 プレグラスピングのアプローチタスクを効果的に学習するために,エージェントに明確で洞察に富んだフィードバックを提供する報酬関数を開発した。
  論文  参考訳（メタデータ） (2024-06-10T16:54:51Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Adaptive Control Strategy for Quadruped Robots in Actuator Degradation Scenarios [16.148061952978246]
  本稿では,Actuator Degradation Adaptation Transformer (ADAPT) という,強化学習に根ざした教師学習フレームワークを提案する。 ADAPTは統合制御戦略を作成し、ロボットは突然の関節アクチュエータの故障にもかかわらず、移動を継続し、タスクを実行することができる。 Unitree A1プラットフォームに関する実証的な評価は、現実世界の四足歩行ロボットにおけるAdaptのデプロイ性と有効性を検証する。
  論文  参考訳（メタデータ） (2023-12-29T14:04:45Z)
• Active Predicting Coding: Brain-Inspired Reinforcement Learning for Sparse Reward Robotic Control Problems [79.07468367923619]
  ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。 我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。 提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-19T16:49:32Z)
• 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)
• Training Adversarial Agents to Exploit Weaknesses in Deep Control Policies [47.08581439933752]
  対戦型強化学習に基づく自動ブラックボックステストフレームワークを提案する。 提案手法は, オンラインテストにおいて明らかでないコントロールポリシの両方において, 弱点を見出すことができることを示す。
  論文  参考訳（メタデータ） (2020-02-27T13:14:53Z)
• Enhanced Adversarial Strategically-Timed Attacks against Deep Reinforcement Learning [91.13113161754022]
  本稿では,DRLに基づくナビゲーションシステムに対して,選択した時間フレーム上の物理ノイズパターンを妨害することにより,タイミングに基づく逆方向戦略を導入する。 実験結果から, 対向タイミング攻撃は性能低下を引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-02-20T21:39:25Z)

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。