論文の概要: Adversarial Robustness Analysis of Cloud-Assisted Autonomous Driving Systems

• arxiv url: http://arxiv.org/abs/2604.04349v1
• Date: Mon, 06 Apr 2026 01:54:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.058932
• Title: Adversarial Robustness Analysis of Cloud-Assisted Autonomous Driving Systems
• Title（参考訳）: クラウド支援自律運転システムの逆ロバスト性解析
• Abstract要約: 本稿では,リアルタイム認識,制御,通信を統合し,クラウド支援自動運転の脆弱性を評価するハードウェア・イン・ザ・ループIoVテストベッドを提案する。 クラウド上に展開されたYOLOv8ベースの物体検出器は、FGSM(Fast Gradient Sign Method)とPGD(Projected Gradient Descent)を用いて、ホワイトボックスの敵攻撃を受ける。 その結果、逆方向の摂動は認識性能を著しく低下させ、PGDは検出精度を低下させ、クリーンベースラインでは0.73と0.68と、エプシロン=0.04では0.22と0.15にリコールした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous vehicles increasingly rely on deep learning-based perception and control, which impose substantial computational demands. Cloud-assisted architectures offload these functions to remote servers, enabling enhanced perception and coordinated decision-making through the Internet of Vehicles (IoV). However, this paradigm introduces cross-layer vulnerabilities, where adversarial manipulation of perception models and network impairments in the vehicle-cloud link can jointly undermine safety-critical autonomy. This paper presents a hardware-in-the-loop IoV testbed that integrates real-time perception, control, and communication to evaluate such vulnerabilities in cloud-assisted autonomous driving. A YOLOv8-based object detector deployed on the cloud is subjected to whitebox adversarial attacks using the Fast Gradient Sign Method (FGSM) and Projected Gradient Descent (PGD), while network adversaries induce delay and packet loss in the vehicle-cloud loop. Results show that adversarial perturbations significantly degrade perception performance, with PGD reducing detection precision and recall from 0.73 and 0.68 in the clean baseline to 0.22 and 0.15 at epsilon= 0.04. Network delays of 150-250 ms, corresponding to transient losses of approximately 3-4 frames, and packet loss rates of 0.5-5 % further destabilize closed-loop control, leading to delayed actuation and rule violations. These findings highlight the need for cross-layer resilience in cloud-assisted autonomous driving systems.
• Abstract（参考訳）: 自動運転車は、深層学習に基づく認識と制御にますます依存している。 クラウド支援アーキテクチャはこれらの機能をリモートサーバにオフロードし、IoV(Internet of Vehicles)を通じて知覚と意思決定の協調を可能にする。 しかし、このパラダイムは、車両とクラウドのリンクにおける知覚モデルとネットワーク障害の敵意的な操作が、安全性とクリティカルな自律性を共同で損なうような、層横断的な脆弱性を導入している。 本稿では, リアルタイム認識, 制御, 通信を統合し, クラウド支援自動運転の脆弱性を評価するハードウェア・イン・ザ・ループIoVテストベッドを提案する。 クラウド上に展開されたYOLOv8ベースのオブジェクト検出器はFGSM(Fast Gradient Sign Method)とPGD(Projected Gradient Descent)を使用して、ホワイトボックスの攻撃を受ける。 その結果、逆方向の摂動は認識性能を著しく低下させ、PGDは検出精度を低下させ、クリーンベースラインでは0.73と0.68と、エプシロン=0.04では0.22と0.15にリコールした。 ネットワーク遅延は150-250ミリ秒で、およそ3,4フレームの過渡的損失に対応し、パケット損失率0.5-5%はクローズドループ制御をさらに不安定にし、動作の遅延とルール違反につながった。 これらの知見は、クラウド支援自動運転システムにおける層間レジリエンスの必要性を浮き彫りにしている。

関連論文リスト

• Autonomous Cyber Defense: Real-Time Attack Detection and Mitigation in Software-Defined Networks Using Machine Learning [78.29352305480285]
  最近の侵入では、最初のアクセスと最初の横移動の間の間隔は27秒と短いことが観察されている。 本稿では,ソフトウェア定義ネットワークにおける攻撃をオペレーターの関与なしに検出・ブロックするクローズドループフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-22T18:38:39Z)
• A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
  車両の直接遠隔操作は重要な技術的ボトルネックに直面している。 通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。 本稿では,一方的な遠隔操作フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T01:51:08Z)
• Bench2Drive-Robust: Benchmarking Closed-Loop Autonomous Driving under Deployment Perturbations [122.22391796628408]
  Bench2Drive-Robustは、クローズドループのエンドツーエンド自動運転のための最初のデバイス中心の堅牢性ベンチマークである。 我々は,カメラストリーム障害,エゴ状態推定誤差,計算による制御遅延という3つの主要な原因から生じる展開指向の摂動を系統的に評価した。 以上の結果から,これらの展開に伴う摂動は閉ループ駆動性能を著しく低下させる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-05-18T08:45:24Z)
• Bridging Large-Model Reasoning and Real-Time Control via Agentic Fast-Slow Planning [42.15812524999639]
  Agentic Fast-Slow Planning(エージェント・ファスト・スロー・プランニング)は、知覚、推論、計画、そして自然の時間スケールをまたいだ制御を分離する階層的なフレームワークである。 エージェント高速スロープランニングは摂動下での堅牢性を向上し、純粋なMPCおよびA*誘導MPCベースラインと比較して、横方向偏差を最大45%減らし、完了時間を12%以上短縮することを示した。
  論文  参考訳（メタデータ） (2026-04-02T06:34:29Z)
• Edge-Based Multimodal Sensor Data Fusion with Vision Language Models (VLMs) for Real-time Autonomous Vehicle Accident Avoidance [12.513296074529727]
  本稿では,自律走行のためのリアルタイムエッジベース自律走行軌道プランナ(REACT)を提案する。 REACTは、微調整軽量ビジョンランゲージモデル(VLM)に基づくADのためのV2X統合軌道最適化フレームワークである。 DeepAccidentベンチマークで評価されたREACTは、最先端の性能、77%の衝突率の低減、48.2%のビデオパノプティクス品質(VPQ)、およびJetson AGX Orinでの0.57秒の推論遅延を実現している。
  論文  参考訳（メタデータ） (2025-08-01T20:16:04Z)
• Temporal Misalignment Attacks against Multimodal Perception in Autonomous Driving [23.83773255227831]
  DejaVuは車載ネットワークを利用して、センサストリーム間の遅延を誘導し、微妙な時間的ミスアライメントを生成する攻撃である。 包括的攻撃分析により,センサのタスク特異的な不均衡感が明らかになった。 シングルフレームのLiDAR遅延では、攻撃者は車検出のmAPを最大88.5%削減し、3フレームのカメラ遅延、車滴の多重物体追跡精度(MOTA)を73%削減できる。
  論文  参考訳（メタデータ） (2025-07-12T00:44:26Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• Natural Reflection Backdoor Attack on Vision Language Model for Autonomous Driving [55.96227460521096]
  視覚言語モデル(VLM)は推論能力を高めるために自律運転システムに統合されている。 本稿では,自律運転シナリオにおけるVLMシステムを対象とした自然反射型バックドアアタックを提案する。 我々の発見は、自動運転の厳しいリアルタイム要求を生かした、新たなタイプの攻撃を発見しました。
  論文  参考訳（メタデータ） (2025-05-09T20:28:17Z)
• MDHP-Net: Detecting an Emerging Time-exciting Threat in IVN [42.74889568823579]
  我々は車載ネットワーク(IVN)に対する新たな時間的脅威モデルを特定する。 これらの攻撃は、タイムエキサイティングな効果を示す悪意のあるメッセージを注入し、徐々にネットワークトラフィックを操作して車両の動作を妨害し、安全クリティカルな機能を損なう。 時間的脅威を検出するため,MDHP-Netを導入し,Multi-Dimentional Hawkes Process(MDHP)と時間的・メッセージ的特徴抽出構造を利用した。
  論文  参考訳（メタデータ） (2025-04-16T08:41:24Z)
• Edge AI-Powered Real-Time Decision-Making for Autonomous Vehicles in Adverse Weather Conditions [0.0]
  従来のクラウドベースのAIシステムは通信遅延を導入し、リアルタイムの自律ナビゲーションには適さない。 本稿では,悪天候下でのAV応答性向上を目的とした,エッジAIによるリアルタイム意思決定フレームワークを提案する。 ネットワークエッジでデータを処理することにより、AV適応性を改善しながら決定遅延を大幅に低減する。
  論文  参考訳（メタデータ） (2025-03-12T02:02:05Z)
• Infrastructure-based End-to-End Learning and Prevention of Driver Failure [68.0478623315416]
  フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。 制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。 速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
  論文  参考訳（メタデータ） (2023-03-21T22:55:51Z)
• Edge YOLO: Real-Time Intelligent Object Detection System Based on Edge-Cloud Cooperation in Autonomous Vehicles [5.295478084029605]
  本稿では,エッジクラウド協調と再構成畳み込みニューラルネットワークに基づくオブジェクト検出(OD)システムを提案する。 このシステムは、クラウドコンピューティングリソースの計算能力と不均一な分散への過度な依存を効果的に回避することができる。 我々は,COCO 2017 および KITTI データセットにおける Edge YOLO の信頼性と効率を実験的に実証した。
  論文  参考訳（メタデータ） (2022-05-30T09:16:35Z)
• An Efficient Deep Learning Approach Using Improved Generative Adversarial Networks for Incomplete Information Completion of Self-driving [2.8504921333436832]
  自律運転において不完全な車両点雲を高精度かつ効率的に修復するための効率的な深層学習手法を提案する。 改良されたPF-Netは、オリジナルのPF-Netと比べてほぼ同じ精度で19倍以上のスピードアップを達成することができる。
  論文  参考訳（メタデータ） (2021-09-01T08:06:23Z)

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。