[論文レビュー] Decentralized Vision-Based Byzantine Agent Detection in Multi-Robot Systems with IOTA Smart Contracts

Sahar Salimpour, Farhad Keramat+2 more|arXiv (Cornell University)|Oct 7, 2022

Blockchain Technology Applications and Security被引用数 8

ひとこと要約

本稿では、IOTAスマートコントラクトを用いた分散型で視覚ベースのByzantineエージェント検出システムを、マルチロボットシステムに提案する。深層学習ベースの異常および変化検出パイプラインを用いて、ロボット間のRGB画像ペアを比較することで、悪意ある行動を示す乖離を同定する。IOTAにより、低負荷で信頼性のないコンセンサスが可能になり、ロボットの計算負荷も最小限に抑えられる。

ABSTRACT

Multiple opportunities lie at the intersection of multi-robot systems and distributed ledger technologies (DLTs). In this work, we investigate the potential of new DLT solutions such as IOTA, for detecting anomalies and byzantine agents in multi-robot systems in a decentralized manner. Traditional blockchain approaches are not applicable to real-world networked and decentralized robotic systems where connectivity conditions are not ideal. To address this, we leverage recent advances in partition-tolerant and byzantine-tolerant collaborative decision-making processes with IOTA smart contracts. We show how our work in vision-based anomaly and change detection can be applied to detecting byzantine agents within multiple robots operating in the same environment. We show that IOTA smart contracts add a low computational overhead while allowing to build trust within the multi-robot system. The proposed approach effectively enables byzantine robot detection based on the comparison of images submitted by the different robots and detection of anomalies and changes between them.

研究の動機と目的

• 従来のブロックチェーンソリューションが高負荷および接続制約のため実用的でない、分散型マルチロボットシステムにおける悪意あるまたは故障したロボットの検出という課題に対処すること。
• 中央機関に依存せずに、信頼できない分散型コンセンサスをロボット間で実現し、Byzantineエージェントを同定すること。
• 視覚ベースの異常および変化検出をIOTAスマートコントラクトと統合し、ロボット間のセンシングデータに乖離が生じたかを検出すること。
• 深層学習の推論を信頼できるサーバーにオフロードすることでロボットの計算負荷を低減しつつ、スマートコントラクトによる意思決定の分散化を維持すること。
• リアルタイムの異常検出に適したスケーラブルで、ネットワーク分断に耐性があり、Byzantine障害に耐性のあるフレームワークを実証すること。

提案手法

• IOTAスマートコントラクトを分散型レジストリとして活用し、画像ハッシュの保存とロボット間での比較タスクの調整を実現する。
• SuperPointおよびSuperGlueを用いた特徴マッチングによる、異なるロボットからの画像ペア間の視覚ベースの異常および変化検出パイプラインを採用する。
• マスクRCNNベースのモデルを用いて既知の物体を検出し、セグメンテーションする。一致しないポイントをクラスタリングすることで異常を同定する。
• しきい値ベースの乖離スコアシステムを適用する。最適なマッチングしきい値はΔ=0.35、キーポoin抽出しきい値はλ=0.001であり、両者ともデフォルト値からチューニングされた。
• 頂点Vがロボットを表し、エッジEが検出された異常を表すグラフG=(V,E)を構築する。異常スコアは、各ロボットが持つ赤（異常）エッジの数として計算される。
• 全ロボットの平均異常スコアから30%以上高い動的しきい値を設定し、Byzantineロボットをフラグとして特定する。

実験結果

リサーチクエスチョン

• RQ1 IOTAスマートコントラクトは、スケーラブルで低負荷かつ分散型のマルチロボットシステムにおけるByzantineエージェント検出メカニズムを実現できるか？
• RQ2 深層学習モデルを用いた視覚ベースの画像比較は、Byzantine行動を示す兆候となる乖離を検出するのにどの程度有効か？
• RQ3 物体の削除、追加、またはデータ改ざんといった異常を、ロボットが感知した画像間でどの程度検出できるか？
• RQ4 部分的に接続されたり、ネットワークが分断された状態でも、システムは障害耐性と一貫性を保つことができるか？
• RQ5 複雑な推論を信頼できるサーバーにオフロードしつつ、コンセンサスを分散化するハイブリッドアーキテクチャは、パフォーマンスと信頼性の両立を達成できるか？

主な発見

• 最初の比較ラウンドで、合計異常スコアが3に達するByzantineロボット（ロボット1）が正常に同定された。他のロボットと比べ顕著に高いスコアであった。
• 最適なマッチングしきい値（Δ=0.35）とキーポイント抽出しきい値（λ=0.001）は、デフォルト値よりも高い値であり、これにより検出のロバスト性が向上した。
• 6回の画像比較を通じて、ロボット1に関連する3つの異常と、ロボット4に関連する1つの異常を検出。乖離検出の有効性が裏付けられた。
• 平均異常スコアから30%以上高い動的しきい値を用いたスコアの時間的積算により、Byzantineエージェントの信頼性の高い同定が可能になった。
• IOTAベースのスマートコントラクトレイヤーは、計算負荷をほとんど増加させず、スケーラビリティとリアルタイム動作を支えた。
• 未知の物体やテクスチャのない物体に対してもロバストであるが、マッチングに必要な十分な注目ポイントが存在しない場合には検出が制限される。