基于强化学习的无人机解耦中漂移逃逸型 GNSS 欺骗的实时贝叶斯检测
机器学习
2025-07-16 v1
摘要
自动无人机 (UAV) 依赖全球导航卫星系统 (GNSS) 伪距测量以实现准确的实时定位与导航。然而，这种依赖使其暴露于高级欺骗威胁之下，这些威胁通过操纵伪距来欺骗 UAV 接收器。在其中一些欺骗攻击中，漂移逃逸型攻击会微扰测量值，使 UAV 轨迹逐渐偏离，而不触发常规的信号级防欺骗机制。传统的分布式漂移检测技术通常需要累计一定数量的样本，从而造成检测延迟，阻碍快速检测和及时应对。因此，针对隐蔽性 adversarial 操纵，迫切需要健全的时序尺度检测方法，以识别攻击发生并借助替代感知模态进行应急规划。本研究探索了一种基于贝叶斯在线变点检测 (BOCPD) 的方法，通过监控来自强化学习 (RL) 批评网络时序价值估计的偏移，以检测 UAV 导航中的细微行为偏差。实验结果表明，这一时序价值导向的框架在检测漂移逃逸型 GNSS 欺骗方面，优于常规 GNSS 欺骗探测器、时序半监督学习框架和 Page-Hinkley 检验，实现更高的检测准确率和更低的误报、漏报率。
引用
@article{arxiv.2507.11173,
title = {Real-Time Bayesian Detection of Drift-Evasive GNSS Spoofing in Reinforcement Learning Based UAV Deconfliction},
author = {Deepak Kumar Panda and Weisi Guo},
journal= {arXiv preprint arXiv:2507.11173},
year = {2025}
}