論文の概要: TRACER: An RDC-Triggered Trajectory Recovery Framework for Cyberattack-Resilient Adaptive Cruise Control

• arxiv url: http://arxiv.org/abs/2610.33052v1
• Date: Sun, 18 Oct 2026 20:35:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.229124
• Title: TRACER: An RDC-Triggered Trajectory Recovery Framework for Cyberattack-Resilient Adaptive Cruise Control
• Title（参考訳）: TRACER: サイバーアタック・レジリエント・アダプティブ・クルーズ制御のためのRCCトラジェクトリー・リカバリ・フレームワーク
• Abstract要約: 本稿では,サイバーアタック耐性ACCシステムのための合理的な駆動制約トラジェクトリ・リカバリ・フレームワークを提案する。 TRACERは、測定された駆動状態が校正されたRCC境界に反した場合にリカバリを活性化する合理性対応トリガ機構を採用している。 6つのサイバー攻撃シナリオでの実験では、TRACERは信頼性の高いリカバリトリガを実現し、精度、安定性、安全性の点で最先端のリカバリベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 13.038840250923721
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing connectivity of adaptive cruise control (ACC) systems exposes vehicle-state information to cyberattacks, potentially causing irrational car-following behavior and unsafe longitudinal dynamics. Existing trajectory recovery methods generally lack an interpretable criterion for recovery activation and remain vulnerable to attack-induced distribution shifts. To address these challenges, this paper proposes TRACER, a rational driving constraint (RDC)-triggered trajectory recovery framework for cyberattack-resilient ACC systems. TRACER employs a rationality-aware triggering (RAT) mechanism that activates recovery when the observed driving state violates the calibrated RDC bounds. It also introduces cross-branch robust imitation learning (CRIL), which combines a clean branch for learning nominal driving behavior with a noise-enhanced branch for improving robustness to corrupted observations. Cross-branch fine-tuning further aligns the robust recovery policy with the nominal driving-state distribution. Experiments across six cyberattack scenarios show that TRACER achieves reliable recovery triggering and outperforms state-of-the-art recovery baselines in terms of accuracy, stability, and safety. State-space analysis further confirms that TRACER mitigates attack-induced distribution shifts and restores coupled spacing-velocity dynamics, highlighting the effectiveness of robust policy learning for cyberattack-resilient ACC.
• Abstract（参考訳）: アダプティブ・クルーズ・コントロール(ACC)システムの接続性の向上は、車両の状態情報をサイバー攻撃に晒し、不合理な車追従行動や安全でない縦方向のダイナミクスを引き起こす可能性がある。 既存の軌道回復法では、回復活性化のための解釈可能な基準が欠如しており、攻撃による分散シフトに弱いままである。 これらの課題に対処するために、サイバー攻撃耐性ACCシステムのための合理的駆動制約(RDC)トラジェクトリリカバリフレームワークであるTRACERを提案する。 TRACERは合理性対応トリガー(RAT)機構を採用しており、観測された駆動状態が校正されたRCC境界に違反した場合にリカバリを活性化する。 クロスブランチ・ロバストな模倣学習(CRIL)も導入されており、これは名目駆動行動を学ぶためのクリーンな分岐とノイズ強化された分岐を組み合わせることで、破損した観察に対するロバスト性を改善する。 クロスブランチの微調整は、ロバスト回復政策と名目上の運転状態の分布をさらに整合させる。 6つのサイバー攻撃シナリオでの実験では、TRACERは信頼性の高いリカバリトリガを実現し、精度、安定性、安全性の点で最先端のリカバリベースラインを上回っている。 状態空間分析により、TRACERは攻撃によって引き起こされる分散シフトを緩和し、スペーシング-速度のダイナミクスを回復し、サイバー攻撃耐性ACCに対する堅牢なポリシー学習の有効性を強調している。

関連論文リスト

• AutoAgent0: An Agentic Runtime for Safe Closed-Loop Driving [61.924851163300076]
  エージェントランタイムとハーネスフレームワークであるAutoAgent0を導入し、既存の運転専門家に補完的な検出スキル、ルールベースのアクション検証、フィードバック駆動リカバリを付加する。 長距離および安全クリティカルシナリオにおけるシングルエキスパート実行に対する閉ループロバスト性の向上を実証した。
  論文  参考訳（メタデータ） (2026-10-13T17:59:50Z)
• From Reconnaissance to Response: Quantitative Risk Parameterization and Game Theoretic Containment in Modern Enterprise Attack [0.0]
  本稿では,定量的リスクパラメータ化と継続的自動応答時間を橋渡しする,統合されたメトリクス駆動決定エンジンを提案する。 Vulnerability Scoring Systems exploitability parameters are mapped to attack success probabilities and evaluate defender log distributions through Factor Analysis of Information Risk Monte Carlo Simulations。
  論文  参考訳（メタデータ） (2026-09-29T01:45:20Z)
• Q-learning Penalized Transformer for Safe Offline Reinforcement Learning [59.26714065630563]
  本稿では、オフラインデータセットを用いた安全制約を満たすためのポリシーのトレーニングを含む、安全なオフライン強化学習の問題に対処する。 本稿では,制約認識値推定による条件付きシーケンスモデリングを橋渡しする,訓練・推論一貫したフレームワークであるQ-learning Penalized Transformer Policy (QPT)を提案する。 本稿では,Q-penalized conditional generation がいかに安全性と性能を向上するかを特徴付ける,スタイリングされた近決定性CMDPの原理解析を行う。
  論文  参考訳（メタデータ） (2026-09-28T06:43:22Z)
• DUGM-R: Uncertainty-Aware Dynamic Grid Mapping and Risk-Triggered Recovery for Learned Local Navigation [0.19999259391104385]
  密集した屋内環境における局所的なナビゲーションは、動的障害物運動の表現方法に敏感である。 これら2つの問題に対処するリスク対応強化学習フレームワークを提案する。 DUGMは、ロボット中心の表現において、局所的占有、推定された障害物運動、および運動推定の不確実性を組み合わせる。
  論文  参考訳（メタデータ） (2026-09-23T04:28:11Z)
• Time-Efficient Iterative Learning Planning for Safety-Critical Dynamic Obstacle Avoidance [49.35246226163005]
  本稿では、予測リスクブレンド制御バリア機能(ARB-CBF)を統合することにより、動的環境における安全クリティカルなナビゲーションに反復学習計画(ILP)を拡張する。 総合的なシミュレーションと実世界の実験により、最適化ベースのベースラインに比べて計算オーバーヘッドが低く、時間効率と安全性が優れていることが証明された。
  論文  参考訳（メタデータ） (2026-09-17T14:12:36Z)
• Predictive Training with Latent Imagination for Visual Quadruped Navigation [2.687590979817173]
  脚付きロボットの強化学習ナビゲーションポリシーは、現在の観測と短期記憶から反応的に行動を選択する。 トレーニング中にポリシーの繰り返し状態に適用される軽量な予測監督は、推論時コントローラを変更することなく予測障害ダイナミクスを符号化することができる。 動的障害物を伴うシミュレーションおよび実世界のナビゲーションベンチマークにおいて,予測学習信号のみでの衝突速度を低減しつつ,ナビゲーションの成功を著しく改善する。
  論文  参考訳（メタデータ） (2026-07-20T05:33:22Z)
• Agile Fall Recovery for Quadrotors with Bidirectional Thrust via Reinforcement Learning [8.39070114446824]
  本稿では、任意の地上姿勢から、軽量なオンボードセンサーのみを用いた安定ホバリングまで、四重項の自律的落下回復のためのRLベースのフレームワークを提案する。 限定的で信頼性の低いオンボードセンシングのみを使用して,明示的な状態推定を行うことなく,アジャイルの4倍体フォールリカバリを実現することができることを示す。
  論文  参考訳（メタデータ） (2026-06-15T10:15:10Z)
• Sparse Threats, Focused Defense: Criticality-Aware Robust Reinforcement Learning for Safe Autonomous Driving [11.62520853262219]
  本稿では、自律運転におけるスパースかつ安全クリティカルなリスクに対処するために、臨界対応ロバストRL(CARRL)を導入する。 CARRLは2つの相互作用成分からなる: リスク露光敵 (REA) とリスクターゲット型ロバストエージェント (RTRA) である。 提案手法は,最先端のベースライン法と比較して,全症例で少なくとも22.66%の衝突率を減少させることを示す。
  論文  参考訳（メタデータ） (2026-01-05T05:20:16Z)
• Large Reasoning Models Learn Better Alignment from Flawed Thinking [56.08883934423522]
  大規模推論モデル(LRM)は、最終的な答えを生成する前に構造化チェーン・オブ・シント(CoT)を生成することで「考える」。 本稿では,Regressed Learning (RL) 手法であるRECAPを提案する。
  論文  参考訳（メタデータ） (2025-10-01T14:15:43Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)

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。