論文の概要: A Real-Time Approach to Autonomous CAN Bus Reverse Engineering

• arxiv url: http://arxiv.org/abs/2602.16722v1
• Date: Sun, 15 Feb 2026 04:46:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.247258
• Title: A Real-Time Approach to Autonomous CAN Bus Reverse Engineering
• Title（参考訳）: 自律型CANバスリバースエンジニアリングへのリアルタイムアプローチ
• Authors: Kevin Setterstrom, Jeremy Straub,
• Abstract要約: 本稿では、車両のCANバスを車両やそのCANシステムの事前知識なくリバースエンジニアリングするリアルタイム手法を提案する。 重要な車両イベントにおける慣性測定とCANデータを比較することにより,アクセルペダル,ブレーキペダル,ステアリングホイールに関連するCANチャネルを正確に同定した。 これは、ほぼリアルタイムで自律的なCANリバースエンジニアリングのためのスケーラブルで適応可能なソリューションである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper introduces a real-time method for reverse engineering a vehicle's CAN bus without prior knowledge of the vehicle or its CAN system. By comparing inertial measurement and CAN data during significant vehicle events, the method accurately identified the CAN channels associated with the accelerator pedal, brake pedal, and steering wheel. Utilizing an IMU, CAN module, and event-driven software architecture, the system was validated using prerecorded serialized data from previous studies. This data, collected during multiple vehicle drives, included synchronized IMU and CAN recordings. By using these consistent datasets, the improvements made in this work were tested and validated under the same conditions as in the previous studies, enabling direct comparison to earlier results. Faster processing times were produced and less computational power was needed, as compared to the earlier methods. This work could have potential application to making aftermarket autonomous vehicle kits and for cybersecurity applications. It is a scalable and adaptable solution for autonomous CAN reverse engineering in near real-time.
• Abstract（参考訳）: 本稿では、車両のCANバスを車両やそのCANシステムの事前知識なくリバースエンジニアリングするリアルタイム手法を提案する。 重要な車両イベントにおける慣性測定とCANデータを比較することにより,アクセルペダル,ブレーキペダル,ステアリングホイールに関連するCANチャネルを正確に同定した。 IMU, CANモジュール, イベント駆動型ソフトウェアアーキテクチャを用いて, 先行研究のシリアライズデータを用いて検証を行った。 このデータは、複数の車両駆動中に収集され、同期IMUとCAN記録が含まれていた。 これらの一貫したデータセットを使用することで、この研究で得られた改善は、以前の研究と同じ条件下でテストされ、検証され、以前の結果と直接比較できる。 より高速な処理時間が生成され、以前の方法に比べて計算能力の低下が要求された。 この研究は、アフターマーケットの自動運転車キットやサイバーセキュリティアプリケーションに潜在的な応用をもたらす可能性がある。 これは、ほぼリアルタイムで自律的なCANリバースエンジニアリングのためのスケーラブルで適応可能なソリューションである。

関連論文リスト

• End-to-End Driving via Self-Supervised Imitation Learning Using Camera and LiDAR Data [6.849144123909844]
  本論文は,E2E運転のための自己教師付き模倣学習(SSIL)として,最初の完全自己教師型学習フレームワークを提案する。 SSILは、駆動コマンドデータまたは事前訓練されたモデルを使用して、E2E駆動ネットワークを即時学習することができる。 本稿では,2つのE2E駆動ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-28T06:17:15Z)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• Unsupervised Driving Event Discovery Based on Vehicle CAN-data [62.997667081978825]
  本研究は,車両CANデータのクラスタリングとセグメンテーションを同時に行うことで,一般的な運転イベントを教師なしで識別する手法である。 我々は、実際のTesla Model 3車載CANデータと、異なる運転イベントをアノテートした2時間の運転セッションのデータセットを用いて、アプローチを評価した。
  論文  参考訳（メタデータ） (2023-01-12T13:10:47Z)
• COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
  本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。 われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-05-04T17:55:12Z)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• SilGAN: Generating driving maneuvers for scenario-based software-in-the-loop testing [0.0]
  SilGANは、自動車用ソフトウェア・イン・ザ・ループテストの仕様、刺激発生、自動化を容易にする、深い生成モデルである。 モデルはフィールド内の車両から記録されたデータを使って訓練される。
  論文  参考訳（メタデータ） (2021-07-05T07:17:49Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction [88.0416857308144]
  センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。 我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
  論文  参考訳（メタデータ） (2020-08-13T17:20:02Z)
• Comparison of Different Methods for Time Sequence Prediction in Autonomous Vehicles [12.027397263268908]
  本稿では,自動運転車の時系列を予測するための異なる手法を提案する。 提案手法の性能,メリット,欠点を分析し,考察した。
  論文  参考訳（メタデータ） (2020-07-16T14:32:46Z)

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。