論文の概要: CANTraj: Recovering Vehicle Trajectories from CAN Signals in Naturalistic Driving
- arxiv url: http://arxiv.org/abs/2611.18442v1
- Date: Fri, 13 Nov 2026 17:17:13 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:24:55.860148
- Title: CANTraj: Recovering Vehicle Trajectories from CAN Signals in Naturalistic Driving
- Title(参考訳): CANTraj:自然運転のCAN信号から車両軌道を復元する
- Abstract要約: 我々はCANTrajをリリースした。CANイベントと時間軸の軌跡をデコードした自然な駆動データセットである。
我々は、明示的な情報アクセスプロトコルの下で、6つの再実装された攻撃とベンチマークベースラインを比較した。
実験により、ステアリング信号とロードネットワーク制約を組み合わせることで、最大の利得が得られることが示された。
- 参考スコア(独自算出の注目度): 17.66067650272903
- License:
- Abstract: Open driving releases and usage-based insurance programs often claim to prevent privacy breaches by omitting GPS records when sharing or collecting vehicle data. However, removing GPS coordinates from driving logs does not erase the location information carried by vehicle signals. While prior route-inference attacks have demonstrated that speed, steering, and driving events can be matched to road networks to reconstruct trajectories, existing studies rely on inconsistent prior assumptions and evaluation metrics and are tested only on small, restricted datasets, making their results difficult to compare and their real-world effectiveness uncertain. We release CANTraj, a naturalistic driving dataset pairing decoded CAN events with time-aligned GNSS trajectories (3,940 drives, 454 drivers), and CANTraj-Bench for evaluating trajectory recovery (3,675 drives, 431 drivers, 1,380 hours, 85,919 km). On 776 evaluation drives from 94 unseen drivers, we compare six re-implemented attacks and benchmark baselines under explicit information-access protocols, paired comparisons, and metrics incorporating failures. Experiments show that combining steering signals with road-network constraints yields the largest gain: With a known start and heading, adding steering to speed raises the online map filter's five-minute route recovery from 56% to 87%, with a median average displacement error of 43 m versus 921 m for map-free dead reckoning. Offline beam search recovers 88% of test routes with the heading and 81% without it. Because methods fail on different windows, we also evaluate an LLM harness that selects among candidate routes on 659 five-minute windows; its best configuration recovers 79% of routes on test and 83% on few-shot, outperforming the best baseline on test and matching it on few-shot. Data and code at huggingface.co/datasets/HenryYHW/CANTraj and github.com/WangYuHang-cmd/GPS--CAN.
- Abstract(参考訳): オープンドライビングのリリースや利用ベースの保険プログラムは、車両データの共有や収集時にGPS記録を省略することでプライバシー侵害を防止すると主張していることが多い。
しかし、走行ログからGPS座標を除去することは、車両信号によって運ばれる位置情報を消去するわけではない。
以前のルート推論攻撃では、速度、ステアリング、駆動イベントが道路網にマッチして軌道を再構築できることが証明されているが、既存の研究は、一貫性のない事前仮定と評価基準に依存しており、小さな制限されたデータセットでのみテストされるため、結果の比較が困難であり、実際の不確実性は明らかである。
CANTrajは、時間順のGNSSトラジェクトリ(3,940ドライブ、454ドライバ)とCANTraj-Benchを使って、トラジェクトリリカバリ(3,675ドライブ、431ドライバ、1,380時間、85,919km)を評価する。
94の未確認ドライバによる776の評価ドライブでは、明示的な情報アクセスプロトコル、ペア比較、障害を組み込んだメトリクスの下で、6つの再実装された攻撃とベンチマークベースラインを比較した。
実験により、ステアリング信号と道路網の制約を組み合わせることで、最大の利得が得られることが示された。 既知の開始と進路により、速度にステアリングを追加することで、オンライン地図フィルタの5分間の経路回復が56%から87%に上昇し、地図のないデッドレコンストラクションでは平均変位誤差は43m対921mとなる。
オフラインビームサーチは、方向の試験経路の88%を回復し、81%を不要とした。
また,異なるウィンドウ上ではメソッドがフェールするため,659個の5分間のウィンドウ上で候補ルートを選択するLCMハーネスも評価する。
huggingface.co/datasets/HenryYHW/CANTraj and github.com/WangYuHang-cmd/GPS-CAN
関連論文リスト
- Beyond Planning: Differentiable Control-in-the-loop End-to-End Autonomous Driving [44.47195923996123]
本稿では、このギャップを埋めるために、DIVA(Differentiable Identified Vehicle dynamics for end-to-end autonomous driving)を提案する。
エンド・ツー・エンド駆動ネットワークのトレーニングループには、特定アクチュエータレベルの車両モデルが組み込まれている。
学習ベースの制御デコーダは、外部コントローラを置換し、ロールアウトされた車両状態を監督する。
論文 参考訳(メタデータ) (2026-10-13T11:12:38Z) - DRT&R: Direct Radar Teach & Repeat [49.657666997508706]
本稿では,直接回転型レーダーによるナビゲーションスタックであるDirect Radar Teach & Repeat (DRT&R)を紹介する。
DRT&Rは、オンロード環境とオフロード環境の両方において、最先端(SOTA)ローカライゼーション性能を得る。
これは、Clearpath Warthogオフロード車両を用いて、10km以上のMPCコントローラで、クローズドループで自律的に評価される。
論文 参考訳(メタデータ) (2026-09-15T19:13:53Z) - SkyDrive: Learning to Drive in a New City from Aerial Traffic Monitoring [69.91458772455071]
emphSkyDriveは、ドローンベースのトラフィック監視を使用して、新しい環境における自律運転エージェントの効率的な監視を提供するフレームワークである。
以上の結果から,航空交通監視は,新都市における自律走行システムに適応するための,効率的かつスケーラブルなデータソースであることが示唆された。
論文 参考訳(メタデータ) (2026-08-25T20:47:09Z) - Research on Expressway Congestion Warning Technology Based on YOLOv11-DIoU and GRU-Attention [0.0]
既存の「検出予測」システムには重大な欠陥がある。
交通流の認識には、2つのベースラインアルゴリズムが最適化された。
DeepSortは4つのIDスイッチで93.8%のMOTA(11.3%)に達した。
渋滞警告のために、渋滞前駆体を捕捉するGRU-Attentionモデルが構築された。
論文 参考訳(メタデータ) (2025-09-15T13:35:43Z) - CAN-Trace Attack: Exploit CAN Messages to Uncover Driving Trajectories [25.381835491855522]
本稿では,CANエリアネットワーク(Controller Area Network, CAN)メッセージを利用した新たなプライバシ攻撃機構であるCAN-Traceを紹介した。
CAN-Traceは、道路ネットワークと比較して、生成されたグラフにグラフマッチングアルゴリズムを適用して、走行軌跡を特定する。
都市部では90.59%、郊外部では99.41%の攻撃成功率を達成した。
論文 参考訳(メタデータ) (2025-07-13T13:31:07Z) - DRIVE Through the Unpredictability:From a Protocol Investigating Slip to a Metric Estimating Command Uncertainty [1.6777716159506137]
本稿ではDRIVEプロトコルを用いて,スリップ状態空間のシステム識別とキャラクタリゼーションのためのデータの収集を標準化する。
速度指令空間を探索し、地形とロボットの相互作用の到達速度を推定するプロトコルの能力を評価する。
コマンドの不確実性を推定し、デプロイのリスク可能性と重症度を評価するために、予測不可能な指標が提案されている。
論文 参考訳(メタデータ) (2025-06-19T20:33:33Z) - Advance Real-time Detection of Traffic Incidents in Highways using Vehicle Trajectory Data [3.061662434597097]
本研究は、ルイジアナ州で最も急激な高速道路であるI-10の車両軌跡データと交通事故データを用いている。
さまざまな機械学習アルゴリズムを使用して、下流の道路区間で事故に遭遇する可能性のある軌道を検出する。
その結果,ランダムフォレストモデルでは,適切なリコール値と識別能力を持つインシデントを予測する上で,最高の性能を達成できることが示唆された。
論文 参考訳(メタデータ) (2024-08-15T00:51:48Z) - Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data [57.22545280370174]
On Path Diagnostic - Intrusion & Inference (OPD-II) は物理カーモデルとマップマッチングアルゴリズムを利用した新しい経路推論攻撃である。
我々は4台の異なる車両と41トラックの道路および交通シナリオに対する攻撃を実行した。
論文 参考訳(メタデータ) (2024-06-30T04:21:46Z) - METEOR: A Massive Dense & Heterogeneous Behavior Dataset for Autonomous
Driving [42.69638782267657]
本稿では、インドにおける非構造化シナリオにおけるトラフィックパターンをキャプチャする、新しい複雑なトラフィックデータセットMETEORを提案する。
METEORは1000分以上のビデオクリップと、エゴ車軌道を持つ200万以上の注釈付きフレームと、周囲の車両や交通機関のための1300万以上のバウンディングボックスで構成されている。
我々は,オブジェクト検出と行動予測アルゴリズムの性能を評価するために,新しいデータセットを用いた。
論文 参考訳(メタデータ) (2021-09-16T01:01:55Z) - Pit30M: A Benchmark for Global Localization in the Age of Self-Driving Cars [39.94419250485135]
Pit30Mは3000万フレームを超える新しい画像とLiDARデータセットで、これは以前の研究の10倍から100倍の大きさだ。
Pit30Mは様々な条件(季節、天気、日時、交通量)で捕獲され、正確な位置決めの真実を提供する。
我々は、画像とLiDAR検索のための既存の複数の手法をベンチマークし、その過程で、単純で効果的な畳み込みネットワークに基づくLiDAR検索手法を導入する。
論文 参考訳(メタデータ) (2020-12-23T01:24:41Z) - LaNet: Real-time Lane Identification by Learning Road
SurfaceCharacteristics from Accelerometer Data [12.334058883768977]
我々は,車線車両が乗っている車線を周期的に分類し,LSTMニューラルネットワークモデルであるLaNetを開発した。
LaNetは、路面イベント(バンプ、ひび割れなど)のレーン固有のシーケンスを学習し、200mの運転データで100%レーン分類精度を得る。
論文 参考訳(メタデータ) (2020-04-06T17:09:50Z)
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。