使用物理引导神经网络检测网联自动驾驶车辆的伪造车道变更行为

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Detecting falsified lane-changing behavior in connected automated vehicles using physics-guided neural networks

　　

•本研究提出了一种基于物理引导的框架，用于检测网络攻击下的异常换道决策。
•该框架将换道预测与基于一致性检测的伪造行为识别相结合。
•博弈论模型与LSTM相结合，用于实现基于物理引导的换道预测。
•累积概率偏差使伪造换道行为的检测成为可能。
•该框架在FDI和DoS攻击下均表现出高检测性能。

引言
网联自动驾驶车辆（CAVs）在现代交通系统中的广泛应用有望带来显著效益，包括提高交通效率和安全水平（Shladover等, 2012；Ye和Yamamoto, 2019）。然而，支持实时通信和协调的网联特性也产生了新的漏洞，可能被恶意行为者利用以威胁交通系统。随着CAV渗透率的提高，网络攻击风险也随之增加，引发了关于基于CAV的交通网络安全性和韧性的关键担忧。网络攻击——如传感器欺骗、通信中断、数据投毒或软件渗透——的影响可能超出单车范围，波及更广泛的交通系统（Sedjelmaci等, 2019；Wang等, 2024）。即使是轻微的干扰，例如伪造的加速度信号，也可能在交通流中以走走停停波的形式传播，放大扰动并提升碰撞风险（Wang等, 2023；Zheng等, 2010）。

作为回应，检测伪造车辆行为已成为一个关键研究领域。已有研究探讨了网络层面的异常，如路径欺骗（Shoukry等, 2018）、车对车通信中的伪造轨迹数据（Amoozadeh等, 2015；Huang等, 2021）以及车辆层面的伪造传感器数据（Vyas等, 2023）。然而，大多数车辆层面的研究聚焦于自适应巡航控制下的跟驰行为，却忽视了伪造的换道（LC）轨迹，尽管其对交通流和安全具有严重影响。换道操作是交通动力学中基础却复杂的组成部分。尽管换道可以协调各车道的流量与速度，但通常也会扰乱交通，降低瓶颈路段的消散率（Cassidy和Rudjanakanoknad, 2005；Laval和Daganzo, 2006；Laval和Leclercq, 2008），并引发走走停停振荡（Ahn和Cassidy, 2007；Mauch和Michael, 2002）。此外，不当的换道操作可能带来重大安全风险，导致侧面碰撞，往往造成严重伤亡。2023年，侧面碰撞占所有碰撞的23.0%，其中占受伤碰撞的11.5%，致死碰撞的7.8%（NCS, 2025）。这些统计数据凸显了及时可靠地检测异常换道行为的必要性。然而，由于自动驾驶车辆（AVs）控制逻辑未公开，以及人类决策的复杂性、异质性和多变性，检测异常换道行为仍然具有挑战性。

只有少数研究探讨了异常换道检测，主要使用机器学习算法，如支持向量机（SVM）、动态贝叶斯网络和梯度提升机（GBM）。例如，Ramyar等（2016）使用单类SVM分类，基于分段车辆信息而非完整换道轨迹来检测危险换道实例。Xu等（2023）使用LightGBM，根据主车与周边车辆的相对速度和间距来分类正常与异常换道行为。此外，Fan等（2022）结合三种无监督算法，包括自编码器、单类SVM和t分布随机邻域嵌入，以识别驾驶员特有的异常换道事件。这些现有研究依赖数据驱动方法来应对换道行为的复杂性与多变性。然而，它们主要直接基于数据对换道行为进行分类，而未将换道操作概念化为一个行为决策过程。基于物理引导的模型可以通过嵌入换道操作所依赖的车辆动力学与交互原理来补充纯数据驱动模型，从而对操作可行性及底层决策过程获得更全面的理解，这对准确检测恶意和不安全的换道行为至关重要。

预测换道决策是识别异常换道事件的基础组成部分，已有大量文献对此进行了研究。既有模型可分为基于物理的范式（如规则型、离散选择型、博弈论模型）、基于人工智能的方法（如模糊逻辑）以及全数据驱动方法。基于物理的模型通过解释变量与换道结果之间可解释的因果关系来刻画驾驶行为。规则型模型使用预定义行为规则描述换道决策，如目标车道偏好或可行性约束（Yang等, 2022）。最早期的例子之一Gipps模型（Gipps, 1986）将换道分为三个阶段：（i）意图阶段，驾驶员识别目标车道；（ii）条件阶段，驾驶员评估换道的可行性与安全性；（iii）执行阶段，实际启动操作。MOBIL模型（Kesting等, 2007）是另一种基于加速度的规则型框架，基于潜在加速度收益与安全风险评估换道决策，并考虑礼貌因子以体现协作行为。离散选择模型通过此视角的延伸，将换道表述为概率决策过程。Ahmed的模型（Ahmed, 1999）描述了换道决策的三个阶段：（i）考虑换道的决策；（ii）目标车道选择；（iii）间隙接受。近年来，博弈论模型因其能够捕捉换道的交互性而受到关注。在这些方法中，换道决策被表述为策略博弈，驾驶员预判相邻车道周边车辆的行为，并选择能最大化感知收益且兼顾安全与舒适的最佳策略（如换道或保持）（Talebpour等, 2015；Yu等, 2018）。

尽管这些基于物理的模型具有可解释性与行为洞察力，但由于对驾驶员行为过度简化，往往缺乏灵活性和准确性。除这些基于物理的范式之外，模糊逻辑作为一种基于人工智能的方法，将模糊的人类推理编码为可解释的决策规则。例如，Balal等（2016）提出了一个考虑车辆间间隙的IF-THEN规则型模糊逻辑换道模型。然而，模糊逻辑模型通常面临定义和校准隶属函数的困难，这限制了其泛化能力。

另一方面，得益于大规模轨迹数据，数据驱动方法近期也被探索用于更好地捕捉复杂的随机换道行为。例如，基于贝叶斯优化的SVM（Liu等, 2019）、高斯回归（Althoff和Mergel, 2011）以及深度神经网络（Huang等, 2018）等方法展现出优于基于物理的换道决策模型的预测精度。然而，纯数据驱动模型需要大量训练数据和可观的计算资源，同时在可解释性和跨多样交通场景的泛化能力方面也存在挑战。在车辆网络安全领域，可解释性往往被忽视，研究焦点倾向于预测精度。然而，理解预测何时、如何、为何失败至关重要。这有助于有效诊断并指导模型改进，尤其在安全攸关系统中如此。因此，尽管数据驱动模型具有较强的拟合能力和更好的时间维度捕捉能力，理解与预测换道行为仍是一项关键挑战。

为应对这些挑战，我们提出了一种物理引导神经网络（PGNN）框架，专门用于检测潜在网络攻击下的异常换道行为。该PGNN将基于博弈论的换道决策模型与长短期记忆（LSTM）网络相结合。前者估计动态车辆交互与间隙接受，并以横向加速度和概率表示形式表述，以确保与基于梯度的学习兼容。LSTM组件则捕捉博弈论模型未涵盖的复杂时间依赖关系。混合式PGNN架构结合了基于物理模型的可解释性与神经网络强大的学习能力和灵活性（Mo等, 2021；Raissi等, 2019；Wang等, 2021）。尽管PGNN已被广泛应用于驾驶行为建模，但其在面向网络安全的行为验证领域的应用尚属空白。本研究的创新之处并非仅在于使用PGNN本身，而在于将基于物理引导的换道预测作为一种行为一致性验证机制用于异常检测。具体而言，利用基于PGNN的换道预测输出，我们提出了一种异常换道行为检测方法，用于监控预测行为与实际观测行为之间的一致性。在这一一致性中，显著偏差表明可能存在被伪造的行为。这使得在保持博弈论结构所带来的可解释性的同时，能够检测出由网络攻击引起的行为异常。该框架使用真实车辆轨迹数据和合成攻击场景进行验证。

我们主要关注自由换道行为——即为改善驾驶条件而自愿执行的操作——相比于强制换道，它具有更大的行为不确定性（Zheng, 2014）。在换道预测中，我们还区分了决策与轨迹规划，并以前者为目标，即决定何时启动换道。

论文其余部分组织如下：第2节描述问题设定与关键假设。第3节介绍PGNN框架及建模细节。第4节描述数据集与处理流程。第5节呈现标定、预测与异常行为检测性能，并进行全面讨论。最后，第6节总结研究结论并展望未来研究方向。

各节摘要

问题描述
本文聚焦于检测与换道决策相关的网络攻击。CAV依赖于紧密耦合的车载传感器、软件模块、控制机制与通信系统来做出实时驾驶决策。它们也可能将交通状态信息传输至交通管理中心（TMC），用于网络层面的交通监控与管理。网络攻击可能针对这两类信息流中的任意一类。常见攻击包括传感器欺骗（如虚假数据注入）等。

方法
本节介绍所提出的建模框架，包含（i）使用PGNN的换道预测模块，以及（ii）利用PGNN输出的异常行为检测模块。模块化设计提供了独立细化各组件的灵活性，以及跨模块归因错误的能力。

如图2所示，换道预测模块通过将博弈论物理模型与LSTM网络融合，估计随时间变化的换道概率。PGNN以轨迹状态作为输入。

数据准备
车辆轨迹数据经过处理，用于标定基于物理的模型以及训练用于换道预测的PGNN。本节介绍数据集及数据处理流程。

尽管CAV轨迹数据集最为理想，但其规模仍有限，且缺乏足够的换道事件、完整的周边车辆信息或足够的行为多样性以支撑稳健的模型训练。本研究旨在检测偏离正常换道行为的现象，而非复现特定行为。

评估与讨论
本节在两种攻击场景下评估换道预测模块与异常换道检测模块的性能。

换道预测性能通过预测换道概率与相应真实行为标签之间的均方误差（MSE）以及混淆矩阵进行评估。对于换道预测，假阳性指预测发生了换道但实际未发生的案例，假阴性指遗漏的换道。由于异常检测模块依赖于……

结论
本研究提出了一种PGNN框架，用于检测网络攻击下的异常换道决策。该框架包含（i）换道决策预测模块，以及（ii）异常换道检测模块。为对换道决策进行建模，我们首先开发了一个博弈论模型，捕捉基于与周边车辆交互的理性换道策略。随后，将博弈论输出（换道概率）纳入基于LSTM的PGNN，用以用物理领域知识正则化数据驱动学习。

生成式AI及AI辅助技术在写作过程中的声明
作者承认在稿件准备过程中使用了AI辅助工具（如ChatGPT）进行语言润色和语法修订。未使用AI工具生成原创科学内容或得出研究结论。作者对稿件的完整性和原创性承担全部责任。

CRediT作者贡献声明
Yongju Kim：撰写—初稿、可视化、验证、方法论、形式分析、数据整理、概念构思。
Xinzhi Zhong：形式分析。
Lei Shi：形式分析。
Wissam Kontar：撰写—初稿、概念构思。
Sikai Chen：监督、项目管理、方法论、概念构思。
Soyoung Ahn：撰写—初稿、监督、项目管理、方法论、经费获取、概念构思。

Yongju Kim｜Xinzhi Zhong｜Lei Shi｜Wissam Kontar｜Sikai Chen｜Soyoung Ahn