2022 Fiscal Year Annual Research Report
Understanding the impact of adversarial inputs on autonomous driving systems and developing countermeasure technologies
| Project/Area Number |
22H00519
|
|---|
| Research Institution | Waseda University |
|---|
Principal Investigator |
森 達哉 早稲田大学, 理工学術院, 教授 (60708551)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
佐久間 淳 筑波大学, システム情報系, 教授 (90376963)
菅原 健 電気通信大学, 大学院情報理工学研究科, 准教授 (60785236)
澤田 賢治 電気通信大学, i－パワードエネルギー・システム研究センター, 准教授 (80550946)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Keywords | 自動運転車 / セキュリティ / センサ / 機械学習 / 制御 / 敵対的入力 |
|---|
| Outline of Annual Research Achievements |
以下に研究実績の概要を報告する。
●【環境整備】
森班では、自動運転セキュリティの評価基盤として、OSS自動運転フレームワークである autoware.universe を実装した実車（TOYOTA COMS）と、PIX Moving社のPIXKITを用いた実験環境を早稲田大学本庄キャンパスに構築した。自動運転システムに対する、リアリスティックな攻撃の検証や防御技術の開発を行う環境が整った。
●【攻撃評価】
森班では、(1)点群隠蔽攻撃による自己位置推定への影響評価、(2) LiDAR点群の特徴点検出と、赤外線除去マテリアルを用いた攻撃手法の評価、(3) 悪意ある人工霧がLiDAR点群に基づく歩行者認識に与える影響評価を行い、(1)を国内研究会で発表した。菅原班では、車載カメラと LiDAR への攻撃評価環境を構築し、安全性評価実験に着手した。人間にとって不可視だが車載カメラは感度を持つ赤外光を投光することで自度運転の道路標識の認識を妨害する脆弱性を発見し、初期的な評価を車載セキュリティに関する国際会議 (VehicleSec) で発表した。佐久間班では、ステガノグラフィを利用して、ある秘密情報を持つ分類器には通常に識別される画像として識別されるが、そうでない分類器には敵対的サンプルとして認識されるため、特定のラベルとしてしか認識されないような、revisesible adversarial exampleを提案し、ジャーナル論文誌で出版した。澤田班は汎用的な自動運転技術であるACCとCACCのセンサフィルタリング機能について検討した。 これにより，車両センサに対するサイバー攻撃により，前方車両誤認が発生したときの対策を考慮した。 同時に，車両制御に対応可能な対サイバー攻撃耐性についても検討した。これらの成果を論文誌、国際会議、研究会で多数発表した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
研究実績の概要で示したように、実験に必要な基盤として、研究代表者の所属大学で退任した教員から譲り受けた自動運転車の実機（TOYOTA COMS）、ならびに理化学研究所より借用したPIXKITを入手し、拠点の立ち上げ、機材の受け入れ、運搬・設置、自動運転OSSのインストールなどの環境セットアップにかかる実務作業を進め、次年度以降の本格実験の土台を構築した。環境整備に加え、攻撃の提案と評価に関し、各班が幅広いテーマに取り組み、着実な成果を得た。業績としては、全体として6件の国際会議および国際論文誌での論文出版と、13件の国内外での研究発表に至り、初年度として十分に成果が出たものと自己評価する。
|
| Strategy for Future Research Activity |
今後は初年度に得られた実機の環境を活用し、センサ、機械学習モデル、制御を含む End-to-End の自動運転システムに対する敵対的入力の評価を進める。特に、レベル4以上の自動運転を念頭に、悪天候や夜間などの特殊な環境における敵対的入力に焦点を当て、敵対的入力に対する頑健性評価を進める。また、数値実験、シミュレーションのアプローチも並行し、機械学習としてマルチタスクモデルや、強化学習などをターゲットとし、敵対的入力の影響評価を進める。End-to-End 評価において必要不可欠である、車両制御のシミュレーションも引き続き継続する。
|
