VCAT：用于增强自动驾驶车辆鲁棒性的漏洞感知与好奇心驱动的对抗训练

自动驾驶车辆（AV）在复杂的交通环境中面临着对其安全运行的重大威胁。对抗训练已成为使 AV 预先增强其抵御恶意攻击鲁棒性的有效方法。使用对抗策略训练攻击者，允许 AV 通过与该攻击者的交互来学习鲁棒驾驶。然而，现有方法中的对抗策略往往陷入过度利用已知漏洞的循环，导致对 AV 的改进效果不佳。为了克服这些局限性，我们引入了一个名为漏洞感知与好奇心驱动的对抗训练（VCAT）的开创性框架。具体而言，在交通车辆攻击者训练阶段，采用一个代理网络来拟合 AV 受害者的价值函数，提供关于受害者固有漏洞的密集信息。随后，使用随机网络蒸馏来表征环境的新颖性，构建内在奖励以引导攻击者探索未知领域。在受害者防御训练阶段，AV 在关键场景中进行训练，在这些场景中，预训练的攻击者被放置在受害者周围以生成攻击行为。实验结果表明，VCAT 提供的训练方法显著提高了基于学习的 AV 的鲁棒控制能力，优于传统训练模式和替代的强化学习方法，并显著降低了碰撞率。代码可在 https://github.com/caixxuan/VCAT 获取。