論文の概要: Development of Vision-Language Model-based GNSS Spoofing Detection for Autonomous Vehicle Navigation

• arxiv url: http://arxiv.org/abs/2607.23962v1
• Date: Mon, 27 Jul 2026 03:20:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.295984
• Title: Development of Vision-Language Model-based GNSS Spoofing Detection for Autonomous Vehicle Navigation
• Title（参考訳）: ビジョンランゲージモデルに基づく自律走行航法用GNSSスポーフィング検出システムの開発
• Abstract要約: 自動運転車のスプーフィング検出のためのVLM(Vision-Language Model)ベースのフレームワークを開発した。 提案手法では3段階の微調整プロセスを導入し,まず視覚的手がかりを抽出し,センサデータを校正する。 その結果,VLMをベースとしたアプローチは,すべての不正ターンと停止攻撃を正しく分類し,オーバーシュート攻撃の精度は88%～93%であった。
• 参考スコア（独自算出の注目度）: 10.15536470870511
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous vehicles (AVs) depend on Global Navigation Satellite Systems (GNSS) for localization and navigation, making them vulnerable to spoofing attacks that can covertly redirect vehicles or induce unsafe maneuvers. In this paper, we develop the first Vision-Language Model (VLM)-based framework for GNSS spoofing detection for autonomous vehicles by fusing front-camera visual data with in-vehicle sensor readings (e.g., speed, acceleration, yaw rate) against GNSS-derived maneuvers. Our approach introduces a three-stage fine-tuning process that first grounds visual cues, and then calibrates sensor data within a shared semantic space to detect discrepancies between predicted and GNSS-derived maneuvers across three attack scenarios. We also generated an independent real-world dataset by driving an instrumented vehicle on public roads in Tuscaloosa, Alabama, equipped with time-synchronized GNSS, IMU, and camera logs to validate cross-regional generalization of our fine-tuned model on unseen data from training data. On this dataset, we then generated intelligent spoofing attacks, including trajectory mirroring with road-network snapping for wrong-turn attacks, position freezing for overshoot scenarios, and drift generation for stop attacks. On this validation dataset, the zero-shot VLMs baseline F1-score ranges from 23% to 32%, whereas our fine-tuned model achieves an F1-score ranging from 94% to 95%. Results show that our VLM-based approach correctly classified every wrong-turn and stop attacks, and attains 88%-93% accuracy for overshoot attacks. Furthermore, we introduce an adaptive inference policy that reduces VLM invocations to 14% (~86% computational reduction) and yields 65ms-73ms per 4s window. These results point to a practical, on-road layer of defense that complements signal-level integrity checks with the use of VLMs.
• Abstract（参考訳）: 自律車両(AV)は、局地化と航法のためにグローバル・ナビゲーション・サテライト・システム(GNSS)に依存しており、車両を隠蔽的にリダイレクトしたり、安全でない操作を誘導するスプーフ攻撃に脆弱である。 本稿では、車載センサの読み取り(例えば、速度、加速度、ヨーレート)でフロントカメラの視覚データをGNSSから派生した操作に融合させることにより、GNSSスプーフィング検出のための第1のビジョン・ランゲージ・モデル(VLM)に基づく自律走行車用フレームワークを開発する。 提案手法では3段階の微調整プロセスを導入し,まず視覚的手がかりを抽出し,センサデータを共有セマンティック空間内で校正し,予測とGNSSによる3つの攻撃シナリオ間の不一致を検出する。 また、アラバマ州タスカルーサの公道で機器付き車両を駆動し、時間同期のGNSS、IMU、カメラログを備え、トレーニングデータから目に見えないデータに基づいて、我々の微調整モデルのクロスリージョン一般化を検証することで、独立した実世界のデータセットを生成した。 このデータセットでは、不正ターン攻撃のための道路網スナッピングによる軌道ミラーリング、オーバーシュートシナリオのための位置凍結、停止攻撃のためのドリフト生成など、インテリジェントなスプーフィング攻撃を生成しました。 この検証データセットでは、ゼロショットVLMのベースラインF1スコアは23%から32%の範囲で、微調整モデルでは94%から95%の範囲でF1スコアを達成している。 その結果,VLMをベースとしたアプローチは,すべての不正ターンと停止攻撃を正しく分類し,オーバーシュート攻撃の精度は88%～93%であった。 さらに、VLMの呼び出しを14%(約86%)に削減し、4sウィンドウあたり65ms-73msを出力する適応型推論ポリシーを導入する。 これらの結果は、信号レベルの整合性チェックとVLMの使用を補完する、実践的でオンロードな防御層を示している。

関連論文リスト

• Structured Driving-State Narratives for Small Language Model-Based GNSS Spoofing Detection [8.560939383123658]
  本研究では,スプーフィング攻撃を検知・分類するためのSLM(Small Language Model)ベースのフレームワークを開発する。 このフレームワークは、独立した駆動状態や他のセンシングソースから構造化されたセマンティックな物語に変換する。 このフレームワークは、比較的少ない計算メモリリソースを必要としながら、スプーフィング攻撃をリアルタイムで検出し分類することができる。
  論文  参考訳（メタデータ） (2026-08-17T19:59:20Z)
• High-Order Liquid Evidence Encoding for Gradual GNSS Spoofing Detection in Autonomous Driving [6.820140586466226]
  スポーフィング攻撃は車両の位置推定を操作できる。 既存の手法は、しばしば静的な車両の挙動に頼っている。 本研究ではスプーフィング検出のための因果的高次液体エビデンスフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-12T08:30:17Z)
• Instance-level Visual Active Tracking with Occlusion-Aware Planning [61.982298426203165]
  Visual Active Tracking (VAT)は、カメラを3D空間でターゲットに追従することを目的としている。 VATは、視覚的に類似したイントラクタからの混乱と、閉塞下での深刻な障害という、現実世界のデプロイメントにおいて2つの重要なボトルネックに直面している。 3つの相補的なモジュールを持つ統一パイプラインであるOA-VATを提案する。
  論文  参考訳（メタデータ） (2026-04-23T09:11:50Z)
• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• Tracking Meets Large Multimodal Models for Driving Scenario Understanding [76.71815464110153]
  大規模マルチモーダルモデル(LMM)は、最近自動運転研究で注目されている。 本稿では3次元の空間的・時間的詳細を復元するための追加入力として追跡情報を統合することを提案する。 本稿では,この追跡情報をLMMに埋め込んで,運転シナリオの理解を深めるための新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-18T17:59:12Z)
• Experimental Validation of Sensor Fusion-based GNSS Spoofing Attack Detection Framework for Autonomous Vehicles [5.624009710240032]
  本稿では,自動走行車に対するセンサフュージョンを用いたスプーフィング攻撃検出フレームワークを提案する。 アラバマ州タスカルーサで実験が行われ、都市部の道路構造を模倣している。 結果は、遅いドリフト攻撃を含む様々な高度なスプーフ攻撃を検出できるフレームワークの能力を実証している。
  論文  参考訳（メタデータ） (2024-01-02T17:30:46Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• A Sensor Fusion-based GNSS Spoofing Attack Detection Framework for Autonomous Vehicles [4.947150829838588]
  本稿では,センサフュージョンをベースとしたGNSS(Global Navigation Satellite System)スプーフィング攻撃検出フレームワークを提案する。 複数の低コストの車載センサーからのデータを融合し、リカレントニューラルネットワークモデルに入力する。 我々は,k-Nearest Neighbors (k-NN) と Dynamic Time Warping (DTW) のアルゴリズムを組み合わせて,左旋回と右旋回を検出・分類した。
  論文  参考訳（メタデータ） (2021-08-19T11:59:51Z)
• A Reinforcement Learning Approach for GNSS Spoofing Attack Detection of Autonomous Vehicles [3.918774449495583]
  本稿では、低コストな車載センサデータを用いた深部強化学習(RL)に基づくターン・バイ・ターン・ターン・スプーフィング攻撃検出手法を開発した。 RLモデルの精度は99.99%から100%であり、リコール値は100%である。 解析結果から,RLモデルはターン・バイ・ターン・ターン・スプーフィング攻撃検出に有効であることが判明した。
  論文  参考訳（メタデータ） (2021-08-19T11:48:27Z)
• Sensor Fusion-based GNSS Spoofing Attack Detection Framework for Autonomous Vehicles [4.947150829838588]
  自律走行車のための3つの同時戦略からなる,センサフュージョンに基づく攻撃検出フレームワークを提案する。 複数の低コストの車載センサーからのデータを融合し、リカレントニューラルネットワークモデルに入力する。 我々はk-Nearest Neighbors (k-NN) と Dynamic Time Warping (DTW) のアルゴリズムを組み合わせて、操舵角センサからのデータを用いて回転を検出する。 解析の結果,センサフュージョンに基づく検出フレームワークは,必要な計算遅延閾値内で,3種類のスプーフィング攻撃をすべて検出できることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T23:02:55Z)
• Prediction-Based GNSS Spoofing Attack Detection for Autonomous Vehicles [5.579370215490055]
  我々は,長期記憶(LSTM)モデルを用いた予測に基づくスプーフィング攻撃検出戦略を開発した。 現在の位置と直近の場所との間を走行する予測距離に基づいてしきい値を確立する。 分析の結果,予測に基づくスプーフ攻撃検出戦略により,リアルタイムで攻撃を検知できることが判明した。
  論文  参考訳（メタデータ） (2020-10-16T18:26:59Z)

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。