[论文解读] A Secure Sensor Fusion Framework for Connected and Automated Vehicles under Sensor Attacks

Tianci Yang, Chen Lv|arXiv (Cornell University)|Mar 1, 2021

Smart Grid Security and Resilience参考文献 24被引用 4

一句话总结

本文提出了一种用于联网和自动驾驶车辆（CAVs）的安全传感器融合框架，利用传感器冗余在有界传感器攻击下实现鲁棒估计、攻击检测与隔离。该方法确保了估计误差有界，且不受攻击信号影响，并集成了$H_{\infty}$控制器，以在存在估计和通信噪声的情况下稳定车队，数值仿真结果表明其具备100%的攻击检测率和有效的串列稳定性控制。

ABSTRACT

By using various sensors to measure the surroundings and sharing local sensor information with the surrounding vehicles through wireless networks, connected and automated vehicles (CAVs) are expected to increase safety, efficiency, and capacity of our transportation systems. However, the increasing usage of sensors has also increased the vulnerability of CAVs to sensor faults and adversarial attacks. Anomalous sensor values resulting from malicious cyberattacks or faulty sensors may cause severe consequences or even fatalities. In this paper, we increase the resilience of CAVs to faults and attacks by using multiple sensors for measuring the same physical variable to create redundancy. We exploit this redundancy and propose a sensor fusion algorithm for providing a robust estimate of the correct sensor information with bounded errors independent of the attack signals, and for attack detection and isolation. The proposed sensor fusion framework is applicable to a large class of security-critical Cyber-Physical Systems (CPSs). To minimize the performance degradation resulting from the usage of estimation for control, we provide an $H_{\infty}$ controller for CACC-equipped CAVs capable of stabilizing the closed-loop dynamics of each vehicle in the platoon while reducing the joint effect of estimation errors and communication channel noise on the tracking performance and string behavior of the vehicle platoon. Numerical examples are presented to illustrate the effectiveness of our methods.

研究动机与目标

• 解决联网和自动驾驶车辆（CAVs）在传感器故障和对抗性攻击下所面临的脆弱性，此类攻击可能危及安全性和系统完整性。
• 开发一种鲁棒的传感器融合算法，确保在少于一半传感器受攻击时估计误差仍保持有界。
• 利用传感器冗余和集合成员过滤，在未知噪声边界条件下实现精确的攻击检测与隔离。
• 为配备协作自适应巡航控制（CACC）的CAVs设计$H_{\infty}$控制器，以稳定车队动态并最小化估计误差与通信噪声的联合影响。
• 通过在多样化攻击模型和噪声条件下进行数值仿真，验证该框架在真实场景中的有效性。

提出的方法

• 利用多个测量同一物理变量的传感器创建冗余，以检测并缓解异常读数。
• 采用集合成员过滤方法，其中每个传感器提供真实状态的有界不确定性集合，通过交集实现融合。
• 应用一组Luenberger观测器，在传感器攻击下仍能鲁棒估计真实状态，确保攻击条件下误差有界。
• 提出一种无需预先知晓噪声边界条件的鲁棒估计算法，提升实际适用性。
• 为CACC车队设计$H_{\infty}$控制器，以确保闭环稳定，并最小化估计误差与信道噪声对跟踪性能和串列稳定性的联合影响。
• 使用算法1实现攻击检测与隔离，基于测量集合的不一致性识别被攻击的传感器。

实验结果

研究问题

• RQ1 传感器冗余能否在CAVs中有效用于在有界传感器攻击下实现鲁棒状态估计？
• RQ2 在未知噪声边界或攻击信号的条件下，如何实现攻击检测与隔离？
• RQ3 何种控制策略可确保CAVs在估计误差与通信噪声影响下保持车队稳定与性能？
• RQ4 所提出的传感器融合框架在真实场景下的欺骗攻击与干扰攻击下，能在多大程度上保持精度与鲁棒性？
• RQ5 在攻击条件下，$H_{\infty}$控制的集成如何增强CAV车队的串列稳定性和跟踪性能？

主要发现

• 所提出的传感器融合算法即使在少于一半传感器受攻击时，仍能实现有界估计误差，确保对对抗性输入的鲁棒性。
• 在数值示例1中，融合算法在单个LiDAR受欺骗攻击的情况下，仍能以极小偏差成功估计真实距离$d_i(t)$。
• 在示例2中，攻击隔离算法在20次试验中有13次成功检测并正确隔离了超声波传感器，检测成功率达100%。
• 在示例3中，采用$\gamma = 1.5235$、增益$ k_p=0.8700 $、$ k_d=11.1683 $、$ k_{dd}=0.0009 $的$H_{\infty}$控制器，确保了车队行为的稳定性，并在瞬态阶段降低了跟踪误差。
• 仿真结果证实了车队的串列稳定性行为，并在不同动力学与噪声条件下对所有五辆车辆的随机传感器攻击均表现出鲁棒性。
• 该框架在多种传感器类型（LiDAR、雷达、超声波）和攻击模型下均表现出有效性，验证了其在安全关键型CPS中的广泛适用性。