Résumé IA · arXiv: 2611.18442v1 · cs.CR
CANTraj: Recovering Vehicle Trajectories from CAN Signals in Naturalistic Driving
L’essentiel
CANTraj montre que des signaux CAN, surtout la direction, combinés à une carte routière permettent de récupérer avec précision de nombreuses trajectoires de conduite.
Question
L’étude évalue la capacité des méthodes existantes à reconstruire les trajectoires à partir de signaux CAN, et mesure l’apport des signaux, des cartes, de l’information initiale et du décodage en ligne ou hors ligne. Elle examine aussi les échecs et la robustesse de ces méthodes face à des signaux dégradés.
Méthode
Les auteurs publient CANTraj, qui associe signaux CAN décodés et trajectoires GNSS pour 3 940 trajets de 454 conducteurs, ainsi que CANTraj-Bench, fondé sur 3 675 trajets de 431 conducteurs. Ils réimplémentent six attaques et les comparent à des méthodes de référence sur 776 trajets de 94 conducteurs jamais vus à l’entraînement, avec des protocoles d’accès à l’information explicités et des mesures qui comptabilisent les échecs. Les expériences comprennent notamment des fenêtres de cinq minutes, des comparaisons appariées des signaux et des tests de quantification.
Résultats
-
Résultat
Sur les fenêtres de cinq minutes du groupe test, ajouter la direction à la vitesse dans le filtre cartographique fait passer la récupération des routes de 56 % à 87 %.
Voir le passage dans l’article
With a known start and heading, adding steering to speed raises the online map filter’s five-minute route recovery from 56 % to 87 %, with a median average displacement error of 43 m versus 921 m for map-free dead reckoning.
-
Résultat
La recherche hors ligne avec carte et direction récupère 88 % des routes sur cinq minutes lorsque le point de départ et le cap initial sont connus.
Voir le passage dans l’article
With the road map, errors drop by more than an order of magnitude. The online particle filter reaches 43 m [29, 59] and the offline beam 37 m [24, 54], recovering the route in 87 % and 88 % of the windows.
-
Résultat
Sans cap initial, la médiane du faisceau hors ligne avec direction augmente peu, mais la proportion de routes récupérées diminue.
Voir le passage dans l’article
Without the start heading the online filter’s five-minute median grows from 43 to 138 m on test (paired median difference $-$27.5 m [$-$41.4, $-$11.3]), while the offline beam moves only from 37 to 41 m (paired median difference 0.0 m; knowing the heading makes it closer in only 16 % of the episodes).
-
Résultat
Dans la comparaison contrôlée des signaux, la direction apporte un gain important, tandis que les pédales ajoutent peu aux signaux de vitesse et de direction.
Voir le passage dans l’article
Adding steering to speed changes the paired median error by $-$120 to $-$234 m; every seed’s CI excludes zero, and the median falls from 339 to 49 m. Adding the continuous pedal changes it by $-$4.8 to 6.1 m with speed alone (all CIs include zero) and by $-$6.4 to 0.9 m with steering.
-
Interprétation des auteurs
La quantification modérée de la direction ou de la vitesse laisse les attaques cartographiques testées largement efficaces, sans établir pour autant un seuil de protection.
Voir le passage dans l’article
Steering quantised to 10∘, offset by 5∘ or held at 1 Hz changes the route recovery of either attack by at most 1.3 percentage points; at 20∘ both lose about one point (filter $-$1.4 [$-$2.5, $-$0.4] on test).
Limites
- Le corpus et les méthodes évaluées ne représentent pas uniformément les régions, les véhicules ou tous les signaux disponibles.
Voir le passage dans l’article
CANTraj broadens the range of drivers and vehicles available for CAN trajectory evaluation, but North American roads and vehicles supported by the logging system dominate.
- La tâche porte principalement sur la récupération après connaissance d’une position initiale et ne constitue pas un test général de suivi à départ inconnu.
Voir le passage dans l’article
The task mainly measures recovery after one position is known. The area variants receive a square centred on that position and are not tests of unrestricted unknown-start tracking; many routes leave the square.
- Les évaluations de robustesse concernent des attaques fixes, et ne permettent pas de conclure à une protection contre des attaques adaptées aux signaux modifiés.
Voir le passage dans l’article
These are sensitivities of fixed attacks, none re-tuned, re-calibrated or re-trained on the degraded signals: they bound what a publisher gains from coarsening against these attacks, not against an adapted one, and set no protection threshold.
Portée
Les résultats établissent, dans le cadre étudié, que retirer les coordonnées GPS ou le cap initial ne suffit pas à supprimer l’information de trajet portée par les signaux du véhicule. Les auteurs soutiennent que l’évaluation des protections de données doit tester des attaquants adaptés et mesurer aussi l’effet des protections sur les usages visés.
Rédigé par une IA à partir de l’article. Les passages cités sont vérifiés mot pour mot dans le texte analysé ; le reste peut contenir des erreurs.
Posez des questions sur cet article à notre assistant IA
Comment discuter avec cet article ? Guide illustré
Vous pouvez aussi discutez avec plusieurs papiers à la fois ici.
Gardez cette conversation — un compte gratuit conserve vos questions et réponses, vos collections d’articles et vos alertes.
Continuer avec Google Créer un compte gratuitOutils pour cet article
Outils avancés Premium
Pour suivre un domaine de près : alertes de citations, diapositives de journal club, comparaison des versions et envoi vers Zotero. Découvrir Premium
Les articles autour de celui-ci
Les voir sur une carteClassés selon la proximité de leur titre et de leur résumé avec ceux de cet article. Sélectionnez-en pour les lire ensemble.
Les articles les plus proches
-
CAN Coach: Vehicular Control through Human Cyber-Physical SystemsM. Nice, S. Elmadani, R. Bhadani et al. · 2021 · Robotics · cité 16 fois · Résumé IA disponible
CAN Coach exploite des signaux CAN pour guider le contrôle longitudinal, tandis que CANTraj les utilise pour reconstruire des trajets.
Résumé scientifique
This work addresses whether a human-in-the-loop cyber-physical system (HCPS) can be effective in improving the longitudinal control of an individual vehicle in a traffic flow. We introduce the CAN Coach, which is a system that gives feedback to the human-in-the-loop using radar data (relative speed and position information to objects ahead) that is available on the controller area network (CAN). Using a cohort of six human subjects driving an instrumented vehicle, we compare the ability of the human-in-the-loop driver to achieve a constant time-gap control policy using only human-based visual perception to the car ahead, and by augmenting human perception with audible feedback from CAN senso…
-
Improving Autonomous Vehicle Mapping and Navigation in Work Zones Using Crowdsourcing Vehicle TrajectoriesHanlin Chen, Renyuan Luo, Yiheng Feng · 2023 · Robotics · preprint, non relu par les pairs · cité 6 fois · Résumé IA disponible
Cette étude utilise des trajectoires partagées pour adapter la navigation aux zones de travaux, tandis que CANTraj étudie leur reconstruction depuis les signaux CAN.
Résumé scientifique
Prevalent solutions for Connected and Autonomous vehicle (CAV) mapping include high definition map (HD map) or real-time Simultaneous Localization and Mapping (SLAM). Both methods only rely on vehicle itself (onboard sensors or embedded maps) and can not adapt well to temporarily changed drivable areas such as work zones. Navigating CAVs in such areas heavily relies on how the vehicle defines drivable areas based on perception information. Difficulties in improving perception accuracy and ensuring the correct interpretation of perception results are challenging to the vehicle in these situations. This paper presents a prototype that introduces crowdsourcing trajectories information into the …
-
Road Genome: A Topology Reasoning Benchmark for Scene Understanding in Autonomous DrivingHuijie Wang, Zhenbo Liu, Yang Li et al. · 2023 · Computer Vision and Pattern Recognition · cité 127 fois · Résumé IA disponible
Road Genome évalue le raisonnement topologique pour la conduite autonome, alors que CANTraj évalue la reconstruction de trajets sur le réseau routier.
Résumé scientifique
Understanding the complex traffic environment is crucial for self-driving vehicles. Existing benchmarks in autonomous driving mainly cast scene understanding as perception problems, e.g., perceiving lanelines with vanilla detection or segmentation methods. As such, we argue that the perception pipeline provides limited information for autonomous vehicles to drive in the right way, especially without the aid of high-definition (HD) map. For instance, following the wrong traffic signal at a complicated crossroad would lead to a catastrophic incident. By introducing Road Genome (OpenLane-V2), we intend to shift the community's attention and take a step further beyond perception - to the task of…
-
NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and BenchmarkingDaniel Dauner, Marcel Hallgarten, Tianyu Li et al. · 2024 · Computer Vision and Pattern Recognition · cité 549 fois · Résumé IA disponible
NAVSIM propose une simulation et un benchmark pour évaluer des politiques de conduite, tandis que CANTraj crée un benchmark de reconstruction de trajectoires.
Résumé scientifique
Benchmarking vision-based driving policies is challenging. On one hand, open-loop evaluation with real data is easy, but these results do not reflect closed-loop performance. On the other, closed-loop evaluation is possible in simulation, but is hard to scale due to its significant computational demands. Further, the simulators available today exhibit a large domain gap to real data. This has resulted in an inability to draw clear conclusions from the rapidly growing body of research on end-to-end autonomous driving. In this paper, we present NAVSIM, a middle ground between these evaluation paradigms, where we use large datasets in combination with a non-reactive simulator to enable large-sc…
-
How Does It Feel? Self-Supervised Costmap Learning for Off-Road Vehicle TraversabilityMateo Guaman Castro, Samuel Triest, Wenshan Wang et al. · 2022 · Robotics · cité 118 fois · Résumé IA disponible
Cette méthode apprend des cartes de traversabilité hors route avec des retours proprioceptifs, contrairement à la reconstruction de trajectoires routières depuis les signaux CAN de CANTraj.
Résumé scientifique
Estimating terrain traversability in off-road environments requires reasoning about complex interaction dynamics between the robot and these terrains. However, it is challenging to build an accurate physics model, or create informative labels to learn a model in a supervised manner, for these interactions. We propose a method that learns to predict traversability costmaps by combining exteroceptive environmental information with proprioceptive terrain interaction feedback in a self-supervised manner. Additionally, we propose a novel way of incorporating robot velocity in the costmap prediction pipeline. We validate our method in multiple short and large-scale navigation tasks on a large, aut…
-
nuScenes: A multimodal dataset for autonomous drivingHolger Caesar, Varun Bankiti, Alex H. Lang et al. · 2019 · Machine Learning · cité 9 545 fois · Résumé IA disponible
nuScenes fournit un jeu de données multimodal pour la détection et le suivi, tandis que CANTraj fournit des signaux CAN alignés sur des trajectoires GNSS.
Résumé scientifique
Robust detection and tracking of objects is crucial for the deployment of autonomous vehicle technology. Image based benchmark datasets have driven development in computer vision tasks such as object detection, tracking and segmentation of agents in the environment. Most autonomous vehicles, however, carry a combination of cameras and range sensors such as lidar and radar. As machine learning based methods for detection and tracking become more prevalent, there is a need to train and evaluate such methods on datasets containing range sensor data along with images. In this work we present nuTonomy scenes (nuScenes), the first dataset to carry the full autonomous vehicle sensor suite: 6 camera…
-
Safe Occlusion-aware Autonomous Driving via Game-Theoretic Active PerceptionZixu Zhang, Jaime F. Fisac · 2021 · Robotics · cité 95 fois · Résumé IA disponible
Cette étude planifie des trajectoires sûres face aux occlusions par théorie des jeux, tandis que CANTraj récupère des trajectoires à partir de signaux du véhicule.
Résumé scientifique
Autonomous vehicles interacting with other traffic participants heavily rely on the perception and prediction of other agents' behaviors to plan safe trajectories. However, as occlusions limit the vehicle's perception ability, reasoning about potential hazards beyond the field-of-view is one of the most challenging issues in developing autonomous driving systems. This paper introduces a novel analytical approach that poses the problem of safe trajectory planning under occlusions as a hybrid zero-sum dynamic game between the autonomous vehicle (evader), and an initially hidden traffic participant (pursuer). Due to occlusions, the pursuer's state is initially unknown to the evader and may late…
-
Hidden Biases of End-to-End Driving ModelsBernhard Jaeger, Kashyap Chitta, Andreas Geiger · 2023 · Computer Vision and Pattern Recognition · cité 175 fois · Résumé IA disponible
Cette étude analyse les biais des modèles de conduite de bout en bout sur CARLA, tandis que CANTraj compare des méthodes de reconstruction de trajectoires depuis le CAN.
Résumé scientifique
End-to-end driving systems have recently made rapid progress, in particular on CARLA. Independent of their major contribution, they introduce changes to minor system components. Consequently, the source of improvements is unclear. We identify two biases that recur in nearly all state-of-the-art methods and are critical for the observed progress on CARLA: (1) lateral recovery via a strong inductive bias towards target point following, and (2) longitudinal averaging of multimodal waypoint predictions for slowing down. We investigate the drawbacks of these biases and identify principled alternatives. By incorporating our insights, we develop TF++, a simple end-to-end method that ranks first on …
Aller plus loin
Comment ces articles sont-ils trouvés ?
Nous comparons le titre et le résumé de cet article avec ceux de tous les articles résumés sur ce site, et avec les articles que Semantic Scholar recommande, ceux qu’il cite et ceux qui le citent (pour un article très cité, ses citations les plus récentes et, depuis OpenAlex, les plus citées). Parmi les travaux antérieurs et les suites, les articles qui s’utilisent en profondeur, une méthode qu’il utilise et les suites très citées remontent un peu. Les niveaux (très proche, proche, apparenté) viennent de la similarité des textes, pas d’un jugement de qualité ; * signale un article sans résumé, comparé par son titre. La phrase sous un article est écrite par une IA à partir des deux résumés : vérifiez-la dans les articles. Un article jugé hors sujet par trois lecteurs quitte la liste.
Mis à jour le 16 novembre 2026.
Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.