RAIL: Mensch-in-der-Schleife mit Intrusion-Reaktion für autonome Fahrzeuge
Ein neues Framework namens RAIL (Risk‑Aware Human‑in‑the‑Loop) verspricht, autonome Fahrzeuge sicherer zu machen, indem es seltene, gefährliche Situationen und Cyber‑Angriffe erkennt und darauf reagiert. RAIL kombiniert drei Echtzeit‑Signale – die Integrität der Aktuationskrümmung, die Zeit bis zur Kollision und die Konsistenz von Beobachtungsverschiebungen – zu einem Risikoscore, dem Intrusion Risk Score (IRS).
Wenn der IRS einen vordefinierten Schwellenwert überschreitet, mischt das System die aktuelle Steuerung mit einer schützenden Regelung, die speziell auf das jeweilige Signal abgestimmt ist. Gleichzeitig bleibt ein menschlicher Override jederzeit verfügbar. Bei niedriger Gefahr läuft die Fahrzeugsteuerung einfach weiter mit dem Standard‑Policy zu arbeiten. Ein kontextueller Bandit wählt dabei online die beste Schutzmaßnahme aus, basierend auf dem aktuellen Signalvektor.
RAIL nutzt das Soft Actor‑Critic‑Verfahren (SAC) in Kombination mit risikobasiertem Replay und dualen Belohnungen, sodass Übernahmen und beinahe Unfälle gezielt in das Lernverfahren einfließen, während das normale Fahrverhalten erhalten bleibt. Auf dem Simulations‑Benchmark MetaDrive erzielt RAIL einen Test‑Return von 360,65, eine Test‑Success‑Rate von 0,85, einen Test‑Safety‑Violation‑Score von 0,75 und eine Disturbance‑Rate von 0,0027 – und loggt dabei nur 29,07 Sicherheitsverletzungen während des Trainings. Diese Ergebnisse übertreffen klassische Reinforcement‑Learning‑Ansätze, sichere RL‑Methoden, Offline‑ bzw. Imitation‑Learning sowie frühere HITL‑Baselines.
Bei gezielten Angriffen wie CAN‑Injektionen und LiDAR‑Spoofing verbessert RAIL die Erfolgsrate auf 0,68 bzw. 0,80, senkt die Disengagement‑Rate unter Angriffen auf 0,37 bzw. 0,03 und reduziert die Angriffserfolgsrate auf 0,34 bzw. 0,11. Auf dem CARLA‑Simulator erreicht das System einen Test‑Return von 1 609,70 und eine hohe Erfolgsrate, was die Robustheit des Ansatzes unter realistischen Bedingungen unterstreicht.
RAIL demonstriert, wie ein risikobewusstes, menschlich unterstütztes System die Sicherheit autonomer Fahrzeuge signifikant erhöhen kann, indem es adaptive Schutzmaßnahmen in Echtzeit einsetzt und gleichzeitig das Lernen aus kritischen Ereignissen fördert.