在少量样本动作空间攻击下，自动驾驶系统的弹性路径跟踪

《ACM Transactions on Cyber-Physical Systems》：Resilient Path Tracking of Autonomous Driving under Few-shot Action Space Attacks

自动驾驶安全防御研究评估了模块化、端到端和特征融合架构对少样本对抗攻击的脆弱性，提出基于学习的路径校正系统（PCS）通过动态修正机制将偏差降低78%。

　　

摘要

现代自动驾驶汽车面临着日益严峻的网络安全威胁，尤其是来自针对车辆执行器的攻击。本文系统地评估了三种代表性的自动驾驶（AD）架构在对抗通过深度强化学习在黑盒环境下设计的少量样本攻击时的韧性，这些架构包括模块化架构、端到端架构以及融合特征的架构。攻击者在车辆处于安全关键时刻通过摄像头或惯性测量单元干扰车辆的横向控制。研究结果揭示了不同自动驾驶架构之间的显著脆弱性和行为模式，这突显了采用自适应和强大防御策略的必要性。然而，现有的对抗训练防御方法存在过拟合问题，并且依赖于对攻击方式的了解。为了解决这些问题，我们提出了一种基于学习的路径校正系统（PCS），该系统将传统的反馈控制与经过对抗训练的校正回路相结合。校正回路由基于运动学的攻击检测器选择性激活，以抵消异常的控制偏差。评估实验表明，在系统受到攻击时，PCS能够将路径跟踪偏差降低78%。