Otonom Araçlarda Risk Duyarlı İnsan-Etkileşimli Güvenlik Çerçevesi Tanıtıldı
Otonom Araçlarda Risk Duyarlı İnsan-Etkileşimli Güvenlik Çerçevesi Tanıtıldı
Yeni RAIL çerçevesi, otonom araçlarda siber-fiziksel saldırılara ve nadir durumlara karşı gelişmiş risk yönetimi ve insan müdahalesi sunuyor.
Önemli Noktalar
- RAIL, otonom araçlarda gerçek zamanlı risk analizine dayalı adaptif müdahale sağlıyor.
- Çerçeve, insan müdahalesini koruyarak siber saldırılara ve beklenmedik durumlara karşı güvenliği artırıyor.
- MetaDrive ve CARLA simülasyonlarında yüksek başarı oranları ve düşük güvenlik ihlali oranları elde edildi.
RAIL ile Otonom Araçlarda Güvenlikte Yeni Dönem
Otonom araçların nadir görülen tehlikeli senaryolar veya siber-fiziksel saldırılar karşısında güvenliğini sağlamak için yeni bir yaklaşım geliştirildi. RAIL (Risk-Aware Human-in-the-Loop), farklı çalışma anı sinyallerinden elde edilen verileri analiz ederek, araç kontrolünü gerçek zamanlı olarak adapte ediyor ve öğrenme süreçlerini odaklıyor.
Teknik Detaylar
RAIL çerçevesi, üç ana göstergenin (kavis aktüasyonu bütünlüğü, çarpışmaya kalan süre yakınlığı ve gözlem-kayması tutarlılığı) ağırlıklı bir Noisy-OR yöntemiyle birleşmesiyle Intrusion Risk Score (IRS) oluşturuyor. IRS belirli bir eşiği aştığında, sistem insan müdahalesine açık kalırken, riskli durumlara özel koruma mekanizmalarını devreye alıyor. Düşük riskte ise standart politika uygulanıyor.
Kontekstual bir bandit algoritması, koruma seçenekleri arasında seçim yaparak çevrimiçi risk azaltma stratejilerini optimize ediyor. Ayrıca, Soft Actor-Critic (SAC) algoritması, risk öncelikli tekrar ve çift ödül sistemiyle öğrenmeyi yönlendiriyor; böylece hem insan müdahaleleri hem de tehlikeli anlar sistemin gelişimini hızlandırıyor.
Simülasyon Sonuçları ve Başarı Oranları
MetaDrive simülasyonunda RAIL, 360.65 Test Return (TR), 0.85 Test Success Rate (TSR), 0.75 Test Safety Violation (TSV) ve %0.27 Disturbance Rate (DR) ile öne çıkıyor. Eğitim sürecinde yalnızca 29.07 güvenlik ihlali kaydedildi. Bu sonuçlar, geleneksel RL, güvenli RL, offline/imitasyon öğrenme ve önceki insan-etkileşimli taban çizgilerine kıyasla RAIL’in üstünlüğünü gösteriyor.
Controller Area Network (CAN) enjeksiyonu ve LiDAR spoofing saldırılarında ise, başarı oranı sırasıyla %68 ve %80’e yükselirken, saldırı altındaki devre dışı kalma oranı %37 ve %3’e düştü; saldırı başarı oranı ise %34 ve %11’e indirildi. CARLA simülasyonunda ise 1609.70 TR ve %41 TSR değerlerine yalnızca 8000 adımda ulaşıldı.
Geleceğe Bakış
2026 yılı içinde, RAIL gibi risk duyarlı insan-etkileşimli sistemlerin, otonom araç güvenliğinde yeni bir standart oluşturması bekleniyor. Bu tür yaklaşımlar, hem sürücüsüz araçların yaygınlaşmasını hızlandıracak hem de yol güvenliğini artıracak.
Kaynak: arxiv.org