基于LSTM神经网络的鲁棒协作定位技术，用于在隐蔽的FDI（财务数据入侵）攻击下的多机器人系统

《Measurement》：LSTM neural network-based resilient cooperative localization for multi-robot systems under stealthy FDI attacks

　　•新型混合融合技术将LSTM预测与EKF校正相结合。
•重构策略减少了隐蔽的虚假数据注入。
•闭环GLRT检测器确保了融合数据的实时完整性。
•物理实验表明，在GPS信号缺失的区域，该方法能够达到厘米级的定位精度。

引言
自主无人机器人，包括无人驾驶飞行器（UAVs）[1]、联网和自主车辆（CAVs）[2]、[3]、无人地面车辆（UGVs）[4]、[5]以及无人水面船舶（USVs）[6]，在各个领域发挥着越来越重要的作用。这主要是因为它们在民用、工业和军事领域有着广泛的应用。例如，UAVs可用于灾后搜救任务，并能与UGVs协作完成复杂任务[7]、[8]。准确的自我定位对于机器人的导航和目标实现至关重要。在开放环境中，GPS可以通过卫星信号提供可靠的定位[9]。然而，在地下室或仓库等封闭或不熟悉的环境中，GPS信号通常较弱或无法使用，因此不适合进行精确定位。合作定位为GPS信号缺失的环境提供了一种替代解决方案。通过动态感知和传感器融合，这些机器人能够保持准确的定位并有效协调[10]。鉴于机器人在室内环境中可以获得相对准确的导航信号，基于信息融合的方法已经得到了广泛研究。经典的卡尔曼滤波器（KF）通过用观测数据校正先验估计来提高定位精度[11]。在[12]中，作者提出了一种基于到达时间（TOA）的合作定位方法，并通过模拟退火扩展卡尔曼滤波器（EKF）和自适应滤波进行增强，从而在复杂的城市环境中实现了鲁棒且准确的定位[13]。在[14]中，作者提出了一种新型的FL-EKF算法，用于多UAV合作定位，有效结合了联邦学习和EKF，在具有挑战性的水下环境中实现了高精度定位。此外，在[14]中，作者还提出了一种集成的分布式滤波器和编队控制器，使移动机器人能够同时完成定位和编队维护。尽管这些方法在良性环境中可以获得合理的精度，但它们通常计算复杂且对初始化敏感。此外，大多数这些方法假设了良性条件，并缺乏对抗恶意攻击或测量异常值的鲁棒性。
毫无疑问，合作定位系统极易受到各种网络攻击的影响，包括欺骗攻击[15]、拒绝服务（DoS）攻击[16]、[17]、[18]、[19]以及伪造数据注入（FDI）攻击[20]。例如，在[21]中，提出了一种两级估计框架，用于多UAV系统，利用测量共识和基于可靠性的逻辑来检测GNSS欺骗。类似地，在[22]中，引入了一种结合自适应梯度下降、异常检测和声誉传播的安全合作定位方法，以增强对抗性环境中的鲁棒性。然而，这些方法可能无法有效抵御隐蔽的FDI攻击。最近的研究表明，隐蔽的FDI攻击[23]会对传输数据引入微妙且不频繁的变化，使得使用基于异常值分解或残差阈值的传统异常检测方法难以发现这些变化[24]。因此，检查信息的可靠性非常重要。在使用数据进行定位之前，需要识别出可疑数据。
为了提高鲁棒性，已经通过一致性融合、鲁棒分布式优化和在线自适应信息融合等方法研究了多机器人估计。在[25]中，使用协方差交集来分离观测更新和通信更新，从而在不知道交叉相关性的情况下保持估计的一致性。基于观测和通信图，还建立了协方差有界条件[26]。在[26]中，一个完全分布式的多机器人SLAM框架结合了姿态图优化和成对测量一致性，以拒绝错误的机器人间环闭合。在[27]中，使用来自已知移动或静止地标器的估计损失反馈在线更新了局部和社会融合权重[27]。在[28]中，一个分布式在线学习和多估计融合框架能够在模型漂移和随机通信故障的情况下自适应地融合异构轨道预测[28]。在[29]中，开发了一个基于奖励的在线学习框架，用于在传感器故障、目标丢失和通信不确定性的情况下进行合作目标监控[29]。这些研究表明，在线自适应融合可以使用不同的任务依赖性损失或奖励信号持续调整信息权重，而无需基本的连续真实值监督。这类方法提供了一种比统计校准的二元完整性决策更为灵活的信任管理替代方案。
最近的深度学习进展使得使用神经网络（包括长短期记忆LSTM网络[30]、图神经网络（GNNs）[31]和循环神经网络（RNNs）[32]进行数据驱动的定位成为可能，这些网络可以从顺序传感器数据中学习。LSTM网络在捕捉顺序传感器数据中的长期依赖性和非线性时间模式方面特别有效。相比之下，EKF仍然是一种适用于具有已知运动学和随机不确定性的系统的原理性递归估计器。在本文中，我们并不声称LSTM普遍优于卡尔曼滤波；相反，我们利用它们的互补性，使用LSTM提供学习到的先验，而EKF则用于强制模型一致性和不确定性传播。一些相关的工作已在[33]、[34]、[35]、[36]、[37]中报道。然而，它们对异常或对抗性输入的鲁棒性仍不够充分，这突显了将基于LSTM的学习与攻击检测相结合以实现鲁棒定位的必要性。尽管理论上有进展，但在现实世界中对合作定位的验证仍然很少。挑战包括硬件异构性、不可预测的环境动态以及模拟现实攻击场景的难度。缩小这一差距需要考虑实际约束条件共同设计算法。在[38]中，提出了一种针对FDI攻击下移动机器人的新型事件触发式合作定位方案，使用有限内存估计器。尽管该方法在TurtleBot平台上进行了物理验证，但它依赖于固定的锚点，并且仅在相对简单的移动场景中进行了评估[38]。在[39]中，作者使用KCF算法估计机器人的位置并设计控制器以实现定位和共识[39]。该方法的有效性使用了四个e-puck2移动机器人进行了验证[39]。然而，该工作没有包含任何攻击检测机制，因此不清楚系统如何识别DoS攻击的存在。本文关注隐蔽的FDI攻击，因为在合作定位中，主要威胁通常不在于通信本身的丢失，而在于逐步操纵通信的邻居状态信息。此类攻击可以在不产生明显异常值的情况下扭曲机器人间的几何信息，这使得使用传统的基于阈值的检测方法难以发现它们。受此威胁模型的启发，我们开发了一个结合时间预测、基于模型的滤波和攻击检测的多机器人定位框架。我们的设计并没有断言某种估计器普遍优于另一种，而是利用LSTM和EKF的互补优势，以提高在对抗性感知条件下的鲁棒性。
本文做出了以下贡献：
（1）我们提出了一种基于LSTM网络的状态预测机制。通过处理历史状态和运动序列的滑动窗口，所提出的预测器学习了非线性时间依赖性，并为后续融合和重构生成姿态先验。
（2）开发了一种混合传感器融合架构，将LSTM预测与EKF结合起来。与[38]、[39]、[40]中的工作相比，所提出的框架结合了学习到的时间先验和基于模型的估计，以提高对运动模型不匹配和测量噪声的鲁棒性，同时支持在多边测量之前的受损邻居状态重构。具体而言，EKF使用当前传感器测量值递归校正学习到的先验，并传播相关的估计不确定性。
（3）开发了一种基于广义似然比测试（GLRT）的实时测量完整性验证方案，用于识别隐蔽的FDI攻击。该方法对融合残差进行统计分析，以检测由隐蔽FDI攻击引起的微妙信号异常。通过将此检测器与估计器无缝结合，我们建立了一个能够主动区分传感器噪声和恶意信号注入的鲁棒估计框架。一旦识别出受损的邻居信息，相应的时间预测用于支持邻居状态重构，随后通过可用几何约束使用多边测量恢复自我机器人的位置。
（4）我们在自组装的自主地面车辆平台上通过仿真和物理实验验证了所提出的框架。结果表明，所提出的方法在采样周期的实时约束范围内运行，并在代表性实验条件下实现了厘米级的高定位精度。

问题描述
本文研究了使用机载传感器和机器人间通信的多机器人团队的合作定位。该研究的动机来自于GPS信号缺失环境中的导航任务，包括未知的室内空间和地下区域。

合作定位框架
对于每个机器人，首先使用LSTM预测器处理其历史状态和运动序列，以生成机器人体态的学习先验。然后，使用机器人运动学模型和当前传感器信息，通过EKF细化先验估计，从而补偿模型不匹配和测量不确定性。同时，接收到的邻居状态由基于GLRT的攻击检测器监控；如果检测到 compromise，则排除并重构受损信息。

攻击检测
在上一节中，机器人i使用LSTM-EKF方案估计其自身位置，而基于邻居的帮助的定位则结合了LSTM-EKF和多边测量。由于多边测量依赖于传输的邻居位置，这些数据可能受到FDI攻击的破坏。在使用之前需要验证它们的完整性。

基于观察模型，机器人i评估本地测量的UWB距离与其从自身位置估计得出的机器人间距离之间的一致性。

仿真和实验
在本节中，通过数值仿真和物理实验验证了所提出算法的可行性。

结论
本文提出了一种用于在GPS信号缺失和对抗性环境中运行的多机器人系统的鲁棒合作定位框架。通过结合基于LSTM的预测、EKF校正、多边测量和基于GLRT的完整性验证，所提出的方法在隐蔽的FDI攻击下提高了定位的鲁棒性，同时满足了实时约束。未来的工作将重点关注预测模型的在线适应以及扩展到更具挑战性的攻击场景。

CRediT作者贡献声明
杨传海：撰写——原始草案、方法论、形式分析。
黄经仪：软件实现。
郑彦玲：验证。
刘青山：撰写——审阅与编辑、监督。
徐雪勇：撰写——审阅与编辑、验证。

利益冲突声明
作者声明他们没有已知的会影响本文工作的财务利益或个人关系。