CP-Guard: Malicious Agent Detection and Defense in Collaborative Bird’s Eye View Perception

要約

Collaborative Perception (CP) は、複数のコネクテッド自動運転車 (CAV) が知覚情報を共有して全体的な知覚パフォーマンスを向上させ、知覚範囲を拡大する自動運転向けの有望な技術を示しています。
ただし、CP では、ego CAV は協力者からメッセージを受信する必要があるため、悪意のあるエージェントによる攻撃を受けやすくなります。
たとえば、悪意のあるエージェントは、エゴ CAV を誤解させるために有害な情報をエゴ CAV に送信する可能性があります。
この重大な問題に対処するために、私たちは新しい方法 \textbf{CP-Guard} を提案します。これは、各エージェントがコラボレーション ネットワーク内の悪意のあるエージェントを正確に検出して排除するために展開できる、CP に合わせた防御メカニズムです。
私たちの重要なアイデアは、CP が自我 CAV の認識結果に対して対立するのではなく、合意に達できるようにすることです。
この考えに基づいて、私たちはまず、協力者のサブセットを効果的にサンプリングし、悪意のあるエージェントの事前確率なしでコンセンサスを検証する確率不可知サンプル コンセンサス (PASAC) 手法を開発します。
さらに、エゴ CAV とその協力者の間の不一致を捕捉するための協調一貫性損失 (CCLoss) を定義し、合意の検証基準として使用します。
最後に、共同鳥瞰図 (BEV) タスクで広範な実験を実施し、その結果が CP-Guard の有効性を実証しています。

要約(オリジナル)

Collaborative Perception (CP) has shown a promising technique for autonomous driving, where multiple connected and autonomous vehicles (CAVs) share their perception information to enhance the overall perception performance and expand the perception range. However, in CP, ego CAV needs to receive messages from its collaborators, which makes it easy to be attacked by malicious agents. For example, a malicious agent can send harmful information to the ego CAV to mislead it. To address this critical issue, we propose a novel method, \textbf{CP-Guard}, a tailored defense mechanism for CP that can be deployed by each agent to accurately detect and eliminate malicious agents in its collaboration network. Our key idea is to enable CP to reach a consensus rather than a conflict against the ego CAV’s perception results. Based on this idea, we first develop a probability-agnostic sample consensus (PASAC) method to effectively sample a subset of the collaborators and verify the consensus without prior probabilities of malicious agents. Furthermore, we define a collaborative consistency loss (CCLoss) to capture the discrepancy between the ego CAV and its collaborators, which is used as a verification criterion for consensus. Finally, we conduct extensive experiments in collaborative bird’s eye view (BEV) tasks and our results demonstrate the effectiveness of our CP-Guard.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google