Optimism Induction Attack on Deep Reinforcement Learning with Control Barrier Function Safety Filter for Autonomous Driving
Notice bibliographique
Résumé
As autonomous vehicles (AVs) increasingly incorporate Reinforcement Learning (RL) into their decision-making processes, ensuring both security and stability becomes paramount. This paper introduces the Optimism Induction Attack (OIA), a novel adversarial strategy specifically targeting Deep Reinforcement Learning (DRL) agents. In contrast to traditional adversarial attacks—such as the Fast Gradient Sign Method (FGSM), which primarily degrades overall performance—OIA strategically exploits the agent’s misperception of state safety, causing it to overestimate safety margins and consequently make suboptimal decisions in critical scenarios. While OIA is broadly applicable to any actor-critic RL algorithm, we conduct a case study on a Proximal Policy Optimization (PPO) -trained Adaptive Cruise Control (ACC) agent protected by Control Barrier Function (CBF). Our analysis examines system performance using metrics such as collision rate, jerk, and engine torque. The results reveal that OIA significantly undermines both safety and efficiency, emerging as a subtler and more effective adversarial threat than FGSM, as evidenced by increased collision rates despite the nominal safety guarantees provided by CBFs. This work advances the field of adversarial machine learning in AVs by highlighting the urgent need for more robust defense mechanisms capable of countering sophisticated attacks like OIA, particularly in safety-critical applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».