論文の概要: Exploring reinforcement learning for incident response in autonomous military vehicles

• arxiv url: http://arxiv.org/abs/2410.21407v1
• Date: Mon, 28 Oct 2024 18:08:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:42:50.955907
• Title: Exploring reinforcement learning for incident response in autonomous military vehicles
• Title（参考訳）: 自律型軍用車におけるインシデント応答のための強化学習の探索
• Authors: Henrik Madsen, Gudmund Grov, Federico Mancini, Magnus Baksaas, Åvald Åslaugson Sommervoll,
• Abstract要約: このトピックの研究は、軍事目的のためにこれらの車両の採用を加速するために必要とされる能力の1つとして、自律的なサイバー防衛を指摘している。 本稿では,無人車両に対するサイバー攻撃に自律的に対応できるエージェントを,軍事作戦の文脈で訓練するための強化学習について検討する。 我々の研究の重要な貢献は、強化学習が、単純なシミュレーション環境で訓練された場合でも、実際の無人地上車両上で自律的なサイバー防衛に使用できるエージェントを訓練するための、実行可能なアプローチであることを実証することである。
• 参考スコア（独自算出の注目度）: 0.62914438169038
• License:
• Abstract: Unmanned vehicles able to conduct advanced operations without human intervention are being developed at a fast pace for many purposes. Not surprisingly, they are also expected to significantly change how military operations can be conducted. To leverage the potential of this new technology in a physically and logically contested environment, security risks are to be assessed and managed accordingly. Research on this topic points to autonomous cyber defence as one of the capabilities that may be needed to accelerate the adoption of these vehicles for military purposes. Here, we pursue this line of investigation by exploring reinforcement learning to train an agent that can autonomously respond to cyber attacks on unmanned vehicles in the context of a military operation. We first developed a simple simulation environment to quickly prototype and test some proof-of-concept agents for an initial evaluation. This agent was then applied to a more realistic simulation environment and finally deployed on an actual unmanned ground vehicle for even more realism. A key contribution of our work is demonstrating that reinforcement learning is a viable approach to train an agent that can be used for autonomous cyber defence on a real unmanned ground vehicle, even when trained in a simple simulation environment.
• Abstract（参考訳）: 人間の介入なしに先進的な作戦を遂行できる無人車両は、多くの目的のために速いペースで開発されている。 当然のことながら、軍事作戦の実施方法も大きく変わるものと期待されている。 物理的かつ論理的に競合する環境でこの新しい技術の可能性を活用するためには、セキュリティリスクを評価・管理する必要がある。 このトピックの研究は、軍事目的のためにこれらの車両の採用を加速するために必要とされる能力の1つとして、自律的なサイバー防衛を指摘している。 ここでは,無人車両に対するサイバー攻撃に自律的に対応できるエージェントを,軍事作戦の文脈で訓練するための強化学習を追求して,この一連の調査を追求する。 まず,初回評価のための概念実証エージェントの試作と試験を行うための簡単なシミュレーション環境を開発した。 このエージェントは、より現実的なシミュレーション環境に適用され、最終的に実際の無人地上機に展開され、さらに現実的になった。 我々の研究の重要な貢献は、強化学習が、単純なシミュレーション環境で訓練された場合でも、実際の無人地上車両上で自律的なサイバー防衛に使用できるエージェントを訓練するための、実行可能なアプローチであることを実証することである。

関連論文リスト

• 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)
• Scalable Decentralized Cooperative Platoon using Multi-Agent Deep Reinforcement Learning [2.5499055723658097]
  本稿では,交通流と安全を向上する車両小隊方式を提案する。 Unity 3Dゲームエンジンで深層強化学習を用いて開発されている。 提案した小隊モデルは、スケーラビリティ、分散化、ポジティブな協力の促進に重点を置いている。
  論文  参考訳（メタデータ） (2023-12-11T22:04:38Z)
• Autonomous Driving with Deep Reinforcement Learning in CARLA Simulation [0.0]
  我々は、Deep Q-Learningを使用して、自動運転車が他の車両を避けながら、最高速度で車線を維持できるポリシーを学ぶ。 その後、我々はCARLAシミュレーション環境を使用して、新たに取得したポリシーをテストし、検証した。
  論文  参考訳（メタデータ） (2023-06-20T00:54:20Z)
• Exiting the Simulation: The Road to Robust and Resilient Autonomous Vehicles at Scale [0.0]
  本稿では,自律運転システムの開発に使用されている最先端のシミュレーションフレームワークと方法論について述べる。 自律運転シミュレーションにおける重要な課題の合成について述べる。
  論文  参考訳（メタデータ） (2022-10-19T20:32:43Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• Attacks and Faults Injection in Self-Driving Agents on the Carla Simulator -- Experience Report [1.933681537640272]
  運転シミュレーター内を走行する自動運転エージェントにおける敵攻撃とソフトウェア障害の注入について報告する。 訓練されたエージェントに敵の攻撃や障害が注入された場合、誤った判断を下し、安全性を著しく損なう可能性があることを示す。
  論文  参考訳（メタデータ） (2022-02-25T21:46:12Z)
• 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)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• Safe Reinforcement Learning via Curriculum Induction [94.67835258431202]
  安全クリティカルなアプリケーションでは、自律エージェントはミスが非常にコストがかかる環境で学ぶ必要がある。 既存の安全な強化学習手法は、エージェントが危険な状況を避けるために、事前にエージェントを頼りにしている。 本稿では,エージェントが自動インストラクターの指導の下で学習する,人間の指導にインスパイアされた代替手法を提案する。
  論文  参考訳（メタデータ） (2020-06-22T10:48:17Z)
• Intelligent Roundabout Insertion using Deep Reinforcement Learning [68.8204255655161]
  本稿では,多忙なラウンドアバウンドの入場を交渉できる演習計画モジュールを提案する。 提案されたモジュールは、トレーニングされたニューラルネットワークに基づいて、操作の全期間にわたって、ラウンドアバウンドに入るタイミングと方法を予測する。
  論文  参考訳（メタデータ） (2020-01-03T11:16:41Z)

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。