确保端到端强化学习驱动的自动驾驶：基于控制命令实用工具的入侵响应系统

《IEEE Transactions on Intelligent Vehicles》：Securing End-to-End Reinforcement Learning-Driven Autonomous Driving: A Control Command Utility-based Intrusion Response System

自动驾驶安全与深度强化学习的入侵响应系统研究，提出基于控制命令效用的CCU系统有效防御CAN总线虚假注入攻击，提升驾驶性能同时降低成本，在复杂环境中表现稳健。

　　

摘要：

基于深度强化学习（DRL）的端到端自动驾驶在安全性和可靠性方面面临重大挑战，而这些挑战对于汽车行业采用自动驾驶技术至关重要。本文介绍了一种新型的入侵响应系统（IRS），称为基于控制指令功能的IRS（CCU），该系统专为基于DRL的自动驾驶系统设计。CCU能够针对车载CAN（控制区域网络）总线上的虚假数据注入攻击提供轻量级 yet 强大的防御能力，通过根据DRL输出生成的控制指令信息做出智能且上下文感知的决策，从而提升安全性和驾驶性能。我们通过与其他基于DRL自动驾驶模型的IRS（如Rails和Roach）进行严格对比评估，验证了CCU的有效性。CCU还配备了基于置信度的过滤机制，有效减少了误报情况，显著改善了驾驶评分、路线完成率以及违规处罚等关键驾驶指标，并降低了防御成本。此外，CCU在具有不同攻击概率的恶劣环境中表现出强大的适应能力，进一步证明了其在复杂场景下的可靠性。这一成果代表了自动驾驶技术的重要进展，有效解决了关键的安全性和可靠性问题，加速了向更安全、更可靠的自动驾驶车辆发展的进程。