Secure Control Systems for Autonomous Quadrotors against Cyber-Attacks

要約

ロボット システムの安全性の問題は広く研究されています。
しかし、クアッドローターなどの 3 次元システムのセキュリティ問題にはほとんど注目が集まっていません。
悪意のある敵はロボットのセンサーや通信ネットワークを侵害し、事件を引き起こしたり、違法な目的を達成したり、人に怪我をさせたりする可能性があります。
この研究では、まず自律型クワローター用のインテリジェント制御システムを設計します。
次に、無人航空機に対する最適な誤ったデータ注入攻撃のスケジューリングと対策設計の問題を調査します。
最先端の深層学習ベースのアプローチを使用して、限られた攻撃エネルギーでクアッドローターの追跡パフォーマンスを低下させる最適な誤ったデータ注入攻撃スキームが提案されています。
その後、攻撃を軽減し、クアッドローターの追跡パフォーマンスを回復するために、最適な追跡制御戦略が学習されます。
私たちは、最近自律設定用に導入された最先端のクワッドローターである Agilicious に基づいて作業を行っています。
この論文は、英国で初めてこのクワッドローターを導入し、そのプラットフォーム上で強化学習を実装したものです。
したがって、最小限のエンジニアリングオーバーヘッドで容易な再現性を促進するために、(1) ソフトウェア スタックとハードウェアの代替案を含む、このクアッドローターの包括的な内訳をさらに提供します。
(2) Agilicious エージェント上で自律コントローラーをトレーニングするための詳細な強化学習フレームワーク。
(3) Agilicious プラットフォームでの将来の強化学習研究のために PyFlyt を基盤とする新しいオープンソース環境。
セクション 5.2 で提案されたフレームワークの有効性を示すために、シミュレーション実験と現実世界での実験の両方が行われます。

要約(オリジナル)

The problem of safety for robotic systems has been extensively studied. However, little attention has been given to security issues for three-dimensional systems, such as quadrotors. Malicious adversaries can compromise robot sensors and communication networks, causing incidents, achieving illegal objectives, or even injuring people. This study first designs an intelligent control system for autonomous quadrotors. Then, it investigates the problems of optimal false data injection attack scheduling and countermeasure design for unmanned aerial vehicles. Using a state-of-the-art deep learning-based approach, an optimal false data injection attack scheme is proposed to deteriorate a quadrotor’s tracking performance with limited attack energy. Subsequently, an optimal tracking control strategy is learned to mitigate attacks and recover the quadrotor’s tracking performance. We base our work on Agilicious, a state-of-the-art quadrotor recently deployed for autonomous settings. This paper is the first in the United Kingdom to deploy this quadrotor and implement reinforcement learning on its platform. Therefore, to promote easy reproducibility with minimal engineering overhead, we further provide (1) a comprehensive breakdown of this quadrotor, including software stacks and hardware alternatives; (2) a detailed reinforcement-learning framework to train autonomous controllers on Agilicious agents; and (3) a new open-source environment that builds upon PyFlyt for future reinforcement learning research on Agilicious platforms. Both simulated and real-world experiments are conducted to show the effectiveness of the proposed frameworks in section 5.2.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google