Jan, 2024

基于传感器融合的 GNSS 欺骗攻击检测框架在自动驾驶车辆上的实验验证

PDF
TL;DR验证传感器融合型 GNSS 欺骗攻击检测框架在自动驾驶车辆中的性能，并使用两种策略进行检测：通过传感器融合和机器学习来判断位置变化，以及使用机器学习模型检测和分类转弯。通过实验证明该框架能够有效地检测各种复杂的 GNSS 欺骗攻击。
gnss spoofingsensor fusionautonomous vehiclesspoofing detectionmachine learning
发现论文，激发创造
  • 多传感器融合定位系统在高级自动驾驶中受 GPS 攻击漂移的安全性（扩展版本）

    该研究对自动驾驶汽车多传感器融合算法在 GPS 模拟攻击下的安全性进行了研究，并设计了攻击算法 FusionRipper，能够以至少 97% 和 91.3% 的成功率实现离线和逆行攻击。

    Jun, 2020

  • 基于 GPS/INS 的路上位置跟踪系统的安全性

    本文研究了 INS 辅助 GPS 跟踪与导航技术在道路交通系统中的安全保障问题，并通过开发和评估算法展示了对磁力计进行主动欺骗的可行性，同时实验结果表明攻击者可以达到离真实目的地 30 公里甚至更远的位置而不被检测到。

    Aug, 2018

  • 可靠自动驾驶车辆位置估计的 GPS-IMU 传感器融合

    GPS 和 IMU 传感器融合在 GPS 无信号环境下提升自主车辆导航的可靠性和精度的方法。

    May, 2024

  • AdvGPS：多智能体感知攻击的对抗性全球定位系统

    通过引入 AdvGPS，一种能生成对该系统内个体代理隐藏且具有对抗性的 GPS 信号的方法，本研究在 OPV2V 数据集上的广泛实验表明，这些攻击显著削弱了最先进方法的性能，突显了跨不同基于点云的 3D 检测系统的惊人转移性，从而强调了需要解决多智能体感知系统中的安全问题，这是一个关键的研究领域。

    Jan, 2024

  • GNSS-Denied 场景下角度稳健性无人机导航

    通过采用新颖的角度稳健导航范式和模型，结合自适应特征增强模块、跨领域注意力引导模块和鲁棒任务导向头模块，实现高精度导航的方向角预测，并经过实验证明所提出的模型在理想和干扰环境下的到达成功率分别提高了 26.0% 和 45.6%，从而解决了基于视觉的导航方法的局限性。

    Feb, 2024

  • 基于多传感器融合的多样城市场景下强健而精确的车辆定位

    该研究提出了一种鲁棒且精确的定位系统，能够通过多传感器融合，特别是利用 LiDAR 强度和高度提示来提高在城市、高速公路和隧道等环境中的准确性和鲁棒性，并在大型自动驾驶车队中得到验证。

    Nov, 2017

  • 自动驾驶中基于 LiDAR 的感知遭受对抗性传感器攻击

    本文对自动驾驶汽车中基于 LiDAR 传感器的感知系统进行了首次安全研究，将 LiDAR 欺骗攻击作为威胁模型，并探索了机器学习模型欺骗攻击的可能性，提出了优化方法和算法，同时讨论了针对自动驾驶汽车感知系统、传感器和机器学习模型的防御方向。

    Jul, 2019

  • 利用惯性测量单元从车辆振动中学习位置

    本文提出一种新颖的车辆定位方法，其中不依赖于全球卫星导航系统，而是通过学习来自惯性测量单元（IMU）传感器的加速度计和陀螺仪测量值的道路特征标志，分别基于卷积神经网络和集成随机森林的手工特征方法学习道路特征，并提出一种实时推导车辆位置的算法。

    Mar, 2023

  • 基于 Transformer 增强 LSTM 网络的 GNSS 观测非 LOS 检测和不确定性预测

    通过分析全球导航卫星系统 (GNSS) 观测数据，本研究提出了一种基于深度学习的方法来检测非直射路径接收与预测 GNSS 伪距误差，并构建了类似 Transformer 的注意机制来提高模型性能和泛化能力，实验结果表明相比其他模型，该方法在车辆定位中具有更好的准确性和召回率，能够避免轨迹偏离问题。

    Sep, 2023

  • 在物理层中具有对用户移动鲁棒性的欺骗攻击检测

    该论文提出了一种方案，结合基于深度神经网络的位置改变检测器的决策，以区分伪造行为和移动，并通过图上的社区检测方法将接收到的帧序列分割为子序列，以检测不同位置的同时传输。该方案可以轻松部署在实践中，只需在少量位置收集一小部分测量数据，甚至不需要计算或记录。该方案在为此目的收集的真实数据上进行了评估。

    Oct, 2023