面向自动驾驶汽车的具有自适应入侵响应的风险感知人机协同框架
人工智能
2026-01-21 v1 计算机视觉与模式识别
摘要
自动驾驶汽车在遇到罕见的长尾场景或驾驶过程中的信息物理入侵时，必须保持安全和有效。我们提出了 RAIL，一个风险感知的人机协同框架，它将异构的运行时信号转化为校准后的控制自适应和聚焦学习。RAIL 通过加权 Noisy-OR 将三种线索（曲率执行完整性、碰撞时间接近度和观测偏移一致性）融合为一个入侵风险评分（IRS）。当 IRS 超过阈值时，动作会通过一个习得的授权权重与特定于线索的防护策略混合，同时保留人工接管选项；当风险较低时，则执行标称策略。一个上下文赌博机根据线索向量在多个防护策略间进行仲裁，从而在线改进缓解选择。RAIL 将 Soft Actor-Critic (SAC) 与风险优先回放和双重奖励相结合，使得接管和未遂事件能够引导学习，同时保持对标称行为的覆盖。在 MetaDrive 上，RAIL 取得了 360.65 的测试回报（TR）、0.85 的测试成功率（TSR）、0.75 的测试安全违规（TSV）和 0.0027 的扰动率（DR），同时仅记录了 29.07 次训练安全违规，优于强化学习、安全强化学习、离线/模仿学习以及先前的人机协同基线。在控制器局域网（CAN）注入和 LiDAR 欺骗攻击下，它将成功率（SR）提升至 0.68 和 0.80，将攻击下的脱离率（DRA）降低至 0.37 和 0.03，并将攻击成功率（ASR）降低至 0.34 和 0.11。在 CARLA 中，RAIL 仅用 8000 步就达到了 1609.70 的 TR 和 0.41 的 TSR。
引用
@article{arxiv.2601.11781,
title = {Risk-Aware Human-in-the-Loop Framework with Adaptive Intrusion Response for Autonomous Vehicles},
author = {Dawood Wasif and Terrence J. Moore and Seunghyun Yoon and Hyuk Lim and Dan Dongseong Kim and Frederica F. Nelson and Jin-Hee Cho},
journal= {arXiv preprint arXiv:2601.11781},
year = {2026}
}
备注
Submitted to ICRA 2026 (under review)