A Parameter Privacy-Preserving Strategy for Mixed-Autonomy Platoon Control

要約

主要なクルーズコントロール（LCC）は、コネクテッド自動運転車（CAV）が周囲の車両から提供される情報に基づいて縦方向の制御の決定を行えるようにすることで、自律混合隊列の運用を改善できることが実証されています。
ただし、LCC では通常、周囲の人間駆動車両 (HDV) がリアルタイムの状態を共有する必要があるため、敵対者がドライバーの車両追従行動を推測するために使用する可能性があり、経済的損失や安全上の懸念につながる可能性があります。
この論文は、混合自治小隊制御のためのパラメータプライバシー保護アプローチを考案することにより、このようなプライバシーの問題に対処し、HDV の動作特性を保護することを目的としています。
まず、パラメーター プライバシー フィルターを LCC に統合して、機密性の高い車追従パラメーターを保護します。
プライバシー フィルターを使用すると、各車両は実際のパラメーターを疑似パラメーターに歪めることによって、一見現実的に見える疑似状態を生成できます。これにより、制御パフォーマンスに大きな影響を与えることなく、行動パラメーターにおけるドライバーのプライバシーを保護できます。
第 2 に、LCC 内のプライバシー フィルターの実用性と信頼性を高めるために、まず現在のアプローチを拡張して、ニューラル ネットワーク推定器を通じて連続パラメーター空間に対応します。
続いて、個々のパラメータのペアのプライバシー レベルに焦点を当てた、個別レベルのパラメータのプライバシー保護制約を導入し、アプローチの信頼性をさらに高めます。
第三に、先頭から末尾までの文字列の安定性を分析すると、混合トラフィック フローのパフォーマンス低下におけるプライバシー フィルターの潜在的な影響が明らかになります。
シミュレーションによれば、このアプローチは LCC におけるプライバシーと制御パフォーマンスを効果的にトレードオフできることが示されています。
さらに、ネットワーク化されたシステムにおけるこのようなアプローチの利点を実証します。つまり、プライバシー フィルターを先行車両に適用することで、後続車両に対しても一定レベルのプライバシーを実現できます。

要約(オリジナル)

It has been demonstrated that leading cruise control (LCC) can improve the operation of mixed-autonomy platoons by allowing connected and automated vehicles (CAVs) to make longitudinal control decisions based on the information provided by surrounding vehicles. However, LCC generally requires surrounding human-driven vehicles (HDVs) to share their real-time states, which can be used by adversaries to infer drivers’ car-following behavior, potentially leading to financial losses or safety concerns. This paper aims to address such privacy concerns and protect the behavioral characteristics of HDVs by devising a parameter privacy-preserving approach for mixed-autonomy platoon control. First, we integrate a parameter privacy filter into LCC to protect sensitive car-following parameters. The privacy filter allows each vehicle to generate seemingly realistic pseudo states by distorting the true parameters to pseudo parameters, which can protect drivers’ privacy in behavioral parameters without significantly influencing the control performance. Second, to enhance the practicality and reliability of the privacy filter within LCC, we first extend the current approach to accommodate continuous parameter spaces through a neural network estimator. Subsequently, we introduce an individual-level parameter privacy preservation constraint, focusing on the privacy level of each individual parameter pair, further enhancing the approach’s reliability. Third, analysis of head-to-tail string stability reveals the potential impact of privacy filters in degrading mixed traffic flow performance. Simulation shows that this approach can effectively trade off privacy and control performance in LCC. We further demonstrate the benefit of such an approach in networked systems, i.e., by applying the privacy filter to a proceeding vehicle, one can also achieve a certain level of privacy for the following vehicle.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google