論文の概要: MDRC: A Deployable State-Recovery Defense for Traffic Signal Control under Sensor Corruption

• arxiv url: http://arxiv.org/abs/2609.27528v1
• Date: Wed, 23 Sep 2026 08:22:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.941575
• Title: MDRC: A Deployable State-Recovery Defense for Traffic Signal Control under Sensor Corruption
• Title（参考訳）: MDRC:センサ破損時の交通信号制御のための展開可能な状態回復対策
• Abstract要約: 交通信号制御(Traffic Signal Control, TSC)は、リアルタイムセンシングに依存する安全クリティカルなサイバー物理システムである。 MDRC(Meta-Diffusion-based framework for Resilient Traffic signal Control, MDRC)は, 検知と制御の間に挿入された検出後状態の回復防衛機構である。
• 参考スコア（独自算出の注目度）: 25.50618063769275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic Signal Control (TSC) is a safety-critical cyber-physical system that relies on real-time sensing. Corrupted observations caused by adversarial perturbations or sensor failures can propagate from the sensing layer into the controller and degrade traffic efficiency. Existing robust Reinforcement Learning (RL)-based TSC methods often suffer from limited cross-city generalization, high inference latency, and weak recovery under partial observability. We present MDRC (Meta-Diffusion-based framework for Resilient traffic signal Control against adversarial attacks and sensor failures), a post-detection state-recovery defense inserted between sensing and control. MDRC reconstructs trustworthy traffic states before they are consumed by the controller. It combines Denoising Diffusion Implicit Models (DDIM) for efficient state recovery with Reptile meta-learning for a transferable initialization across cities. We provide an optimization-based view of the DDIM recovery dynamics and establish a recovery-error bound that separates score approximation, numerical discretization, and initialization mismatch. Across seven real-world-derived CityFlow benchmarks, MDRC reduces Average Travel Time by 6.77% under stochastic and policy-aware attacks and by 12.75% under structured sensor loss, while improving state-recovery fidelity. We further evaluate 3,600 seconds of real roadside measurements with 50% of detector channels disabled and integrate MDRC into a hardware-in-the-loop traffic-signal stack. Over a 9.16-hour run with 32,389 sensing/control cycles, the system achieves 99.79% decision availability, produces no out-of-plan recommendations, and requires approximately 38 ms of component-wise processing per one-second control interval.
• Abstract（参考訳）: 交通信号制御(Traffic Signal Control, TSC)は、リアルタイムセンシングに依存する安全クリティカルなサイバー物理システムである。 逆方向の摂動やセンサの故障による破損した観測は、センサー層からコントローラに伝播し、交通効率を低下させる。 既存の頑健な強化学習(RL)ベースのTSC手法は、都市間一般化の制限、高い推論遅延、部分観測可能性下での回復の弱さに悩まされることが多い。 MDRC(Meta-Diffusion-based framework for Resilient traffic signal Control against adversarial attack and sensor failures)は,検知と制御の間に挿入された検出後の状態回復防御である。 MDRCは、コントローラが消費する前に信頼できるトラフィック状態を再構築する。 DDIM(Denoising Diffusion Implicit Models)とReptileメタラーニング(Reptile meta-learning)を組み合わせることで、都市間での移動可能な初期化を実現している。 DDIMリカバリのダイナミクスを最適化したビューを提供し、スコア近似、数値離散化、初期化ミスマッチを分離するリカバリエラー境界を確立する。 7つの実世界から派生したCityFlowベンチマークで、MDRCは確率的およびポリシーを意識した攻撃で平均走行時間を6.77%削減し、構造化されたセンサー損失で12.75%削減し、状態回復の忠実さを改善した。 さらに,検出チャネルの50%を無効にし,実路側実測を3,600秒間評価し,MDRCをハードウェア・イン・ザ・ループ交通信号スタックに統合した。 32,389回の検知/制御サイクルで9.16時間稼働し、99.79%の判定を達成し、計画外の勧告を発生させることなく、1秒間の制御間隔毎に約38ミリ秒のコンポーネント処理を必要とする。

関連論文リスト

• CDKF-Track: Cluster-aware Data-Driven Kalman Filtering for Cooperative 3D Multi-Object Tracking [42.784148119322474]
  協調3次元MOTのためのクラスタ対応データ駆動カルマンフィルタフレームワークCDKFTrackを提案する。 実世界のV2V4Realデータセットの実験結果から、CDKF-Trackは最先端のマルチエージェントMOT法よりも、追跡精度が最大27.99%向上したことが示されている。
  論文  参考訳（メタデータ） (2026-09-22T04:18:50Z)
• Knowledge-Distilled End-to-End Reinforcement Learning for Smooth 6-DOF Thrust Control and Rapid Adaptation to Ocean Currents in Remotely Operated Vehicles [16.40999985739862]
  本稿では, 2段階蒸留学習フレームワークを用いて, ほぼ最適戦略を学習するスラストラピッド・ラピッド・アダプティブ・アダプティブ・ポリシー・最適化(TSRCA-PPO)手法を提案する。 シミュレーションの結果,提案手法は従来型のP-PIDコントローラよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2026-08-09T09:23:15Z)
• Adversarial Robustness Analysis of Cloud-Assisted Autonomous Driving Systems [0.0]
  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。
  論文  参考訳（メタデータ） (2026-04-06T01:54:41Z)
• When Sensors Fail: Temporal Sequence Models for Robust PPO under Sensor Drift [64.37959940809633]
  時間的持続的なセンサ故障下でのPPOのロバスト性について検討する。 トランスフォーマーを用いたシーケンスポリシーは, センサ数が少ない場合でも高いリターンを保ちながら, 堅牢性, RNN, SSMよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-03-04T22:21:54Z)
• Goal-Oriented Semantic Communication for ISAC-Enabled Robotic Obstacle Avoidance [44.114348668663546]
  無人航空機(UAV)障害物回避作業におけるISAC対応BSについて検討した。 本稿では,センサとコマンドと制御(C&C)信号を効率よく伝達する目的指向セマンティックコミュニケーション(GOSC)フレームワークを提案する。 GOSCは、送信されたセンシング信号とC&C信号の数を92.4%減らし、送信時間スロットの数を85.5%減らしながら、同じ100%のタスク成功率を達成する。
  論文  参考訳（メタデータ） (2026-03-02T16:15:02Z)
• DriftGuard: A Hierarchical Framework for Concept Drift Detection and Remediation in Supply Chain Forecasting [0.0]
  現在の業界慣行は、3～6ヶ月ごとに手動の監視と定期的な再訓練に依存している。 DriftGuardは、早期にドリフトを検出し、その根本原因を説明し、影響を受けるモデルを自動的に修正するエンド・ツー・エンドのシステムである。
  論文  参考訳（メタデータ） (2026-01-13T19:08:11Z)
• Multi-Agent Coordination in Autonomous Vehicle Routing: A Simulation-Based Study of Communication, Memory, and Routing Loops [0.5801044612920815]
  OMM(Object Memory Management)は,エージェントが障害に関する知識を保持し,共有するための軽量なメカニズムである。 OMM はブロックノードの分散ブラックリストを維持することで動作し、各エージェントは Dijkstra ベースのパス再計算を行う。 以上の結果から,OMMによる調整は,メモリレスシステムと比較して平均走行時間を75.7%削減し,待ち時間を88%短縮することがわかった。
  論文  参考訳（メタデータ） (2025-11-20T17:42:49Z)
• Improved Robustness of Deep Reinforcement Learning for Control of Time-Varying Systems by Bounded Extremum Seeking [39.407739937584104]
  深部強化学習制御器の頑健性を改善するため,頑健なモデル独立有界限界探索(ES)フィードバック制御について検討した。 ロスアラモス中性子科学センター線形粒子加速器における低エネルギービーム輸送部の自動チューニングのための一般時変系とES-DRL制御器の数値的研究を行った。
  論文  参考訳（メタデータ） (2025-10-02T18:53:02Z)
• Perimeter Control with Heterogeneous Metering Rates for Cordon Signals: A Physics-Regularized Multi-Agent Reinforcement Learning Approach [12.86346901414289]
  過飽和環境下での都市道路網の制御に対処するための周辺制御(PC)戦略が提案されている。 本稿では,MARL(Multi-Agent Reinforcement Learning)に基づく交通信号制御フレームワークを活用し,PC問題を分解する。 MARLフレームワークの物理正則化手法は,分散コードン信号制御装置がグローバルネットワークの状態を認識していることを確実にするために提案される。
  論文  参考訳（メタデータ） (2023-08-24T13:51:16Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)

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。