Jul, 2023

基于深度学习的自适应巡航控制的实验安全性分析：上下文感知攻击

PDF
TL;DR该研究评估了基于深度神经网络的自适应巡航控制系统在感知攻击下的安全性，通过注入摄像头数据扰动以引发前方碰撞，提出了一种基于知识和数据的结合方法，设计了一种上下文感知策略来选择攻击触发的最关键时间，并提出了一种实时自适应生成图像扰动的优化方法。通过实际驾驶数据集和仿真平台进行攻击效果评估，考虑驾驶员干预以及自动紧急制动和前方碰撞警示等安全功能，实验结果表明，相比于随机攻击，该攻击的事故成功率提高了 142.9 倍，并且在受到安全功能限制时减少了 89.6%，同时具有潜在性和对真实环境因素和动态变化的鲁棒性。该研究对人工操作员和基本安全干预在预防攻击中的作用提供了深入洞察。
adaptive cruise controldeep neural networkperception attacksimage perturbationssafety features
发现论文，激发创造
  • 检测自适应巡航控制车辆上的隐蔽网络攻击：一种机器学习方法

    为了检测自动驾驶车辆遭受的网络攻击，本论文提出了一个基于交通模型框架和生成对抗网络的异常检测模型，通过实时车辆轨迹数据来识别恶意操作控制命令、传感器测量的虚假数据注入攻击以及拒绝服务攻击。与其他神经网络模型相比，所提出的方法在准确识别具有异常驾驶行为的自适应巡航控制车辆方面具有更高的准确率。

    Oct, 2023

  • 基于深度集成的自适应巡航控制的感知不确定性自动驾驶

    我们在这篇论文中开发了一个基于深度神经网络的集成回归器，用于自适应巡航控制中估计与前车的车头距离，并通过概率安全约束来实现跟踪速度和保持安全跟车距离的目标。

    Mar, 2024

  • 一种合作自适应巡航控制系统中的驾驶员变道预测新模型

    本文利用 HighD 数据集构建 LSTM 模型，通过 ACC 和 CACC 两种与周围车辆交互的情景，探究车辆位置、速度和加速度等信息对车道变更预测准确率的影响，提高车道变更预测准确率至 59.15% - 92.43%。

    May, 2023

  • 安全感知的智能自适应巡航控制在自动驾驶车辆中的应用：基于深度强化学习

    SAINT-ACC 是一种利用深度强化学习来动态调整车距的自适应巡航控制系统，同时优化交通效率、行驶安全和驾驶舒适性，具有较高的性能和可行性。

    Mar, 2021

  • 基于 LSTM 的 ACC 应用过程中的车道变换前车行为预测

    提出了基于 Long Short-Term Memory 的 Adaptive Cruise Control 系统，在仿真驾驶环境中表现出比基于 ANN 和 MPC 模型更为准确的预测效果，可学习适应不同的驾驶状况。

    May, 2023

  • 基于物理启发的神经网络对自适应巡航控制系统参数学习

    该研究论文提出并开发了一种物理启发的神经网络（PiNN），用于学习汽车工业中商业实现的自适应巡航控制（ACC）系统的参数。

    Sep, 2023

  • EditFollower：可调节的车跟随模型用于可定制的自适应巡航控制系统

    我们提出了可编辑行为生成（EBG）模型，这是一种数据驱动的车辆跟随模型，允许调整驾驶不礼貌水平，该模型整合了多种礼貌计算方法，通过 LSTM 和 Transformer 架构提供了全面的方法来捕捉细微的驾驶动力学。该模型是第一个可以动态调整不礼貌水平的数据驱动车辆跟随模型，为考虑驾驶员社交偏好的 ACC 系统开发提供了有价值的见解。

    Jun, 2024

  • 增强型智能驾驶模型用于评估驾驶策略对交通容量的影响

    使用新的汽车跟随模型模拟自适应巡航控制的车辆对交通流的影响，发现不同的自适应巡航控制策略会显著地改变交通的最大容量和动态瓶颈容量。

    Dec, 2009

  • 自动控制系统中的对抗攻击与防御：一项全面评估

    将机器学习引入自动控制系统 (Automated Control Systems, ACS) 可以提升工业过程管理中的决策能力。然而，神经网络对于对抗性攻击的脆弱性是广泛应用这些技术于工业界的限制之一。本研究在使用 Tennessee Eastman Process 数据集进行 ACS 中的故障诊断时，评估了三种具有不同结构的神经网络，并对其进行了六种对抗性攻击和五种不同的防御方法的测试。研究结果强调了模型对对抗样本的强大脆弱性以及防御策略的各种有效性。我们还提出了一种通过结合多种防御方法来提高保护效果的新型方法，并进行了实证。本研究为确保工业过程中机器学习的安全性和鲁棒性故障诊断提供了多个见解。

    Mar, 2024

  • 自动驾驶模型的敌对攻击和防御分析

    本文针对三种自动驾驶模型，分析了五种对抗性攻击和四种防御方法的效果。实验证明，与分类模型类似，这些模型仍然非常容易受到对抗性攻击，因此实践中应该考虑到这一点。对于系统和中间件构建者，需要同时部署多种防御方法来获得对各种攻击的良好覆盖。同时也需要保护好模型的细节信息，以降低黑盒攻击的效果。如果计算资源允许，则建议使用复杂的架构模型，因为该模型比简单模型更具弹性，更能抵御对抗性攻击。

    Feb, 2020