《Engineering Applications of Artificial Intelligence》:Causality-inspired kinematics-constrained adversarial trajectory generation for swarm intention recognition
编辑推荐:
•CTAG通过运动学展开生成对抗性群集轨迹。•加速度干预保留了耦合的PVA轨迹动态特性。•CTAG在五个骨干网络上实现了0.984和0.983的平均攻击成功率(ASR)。•AeroSwarm的展开间隙和峰值加加速度分别降至0.338 m和0.20。引言无人机(UAV)因其机动
- •
CTAG通过运动学展开生成对抗性群集轨迹。
- •
加速度干预保留了耦合的PVA轨迹动态特性。
- •
CTAG在五个骨干网络上实现了0.984和0.983的平均攻击成功率(ASR)。
- •
AeroSwarm的展开间隙和峰值加加速度分别降至0.338 m和0.20。
引言
无人机(UAV)因其机动性和成本效益,在旅游、灾难救援和物流等领域的应用日益广泛(Dorigo等,2020;Chen等,2023a)。随着其在低空经济和智慧城市基础设施中扮演越来越重要的角色(Zhou,2025),其面临空域干扰、非法入侵、恐怖主义和走私等威胁的范围也不断扩大(Barbeau等,2022)。这些风险催生了群集意图识别(SIR)技术,该技术通过分析群体的集体特征,如轨迹和通信模式,来推断作战目标并支持及时的安保响应(Yinhan等,2024)。早期的无人机识别研究将计算机视觉和雷达(Shi等,2018)与模糊理论(Tian等,2014)、贝叶斯网络(Li等,2023)以及级联支持向量机(CSVMs)(Yang等,2022b)相结合。然而,它们对先验知识和手工特征工程的依赖可能限制了其向复杂群集动态场景的泛化能力。
深度学习为基于轨迹的行为识别和多智能体群集表征提供了数据驱动的表征方法(Allahham等,2020;Chen等,2023b;Peltier, III等,2024;Yinhan等,2024)。这些模型通过直接从多智能体观测数据中学习时序和空间模式,能够支撑SIR系统从群体动态中推断集体目标,如图1(a)所示。
对抗鲁棒性仍然是基于DNN的识别系统面临的核心问题(Szegedy等,2013;Goodfellow等,2014)。精心构造的输入扰动可以改变模型预测结果,相关漏洞在物理场景中也有所发现(Eykholt等,2018)。在SIR中,鲁棒性评估必须考虑到群集轨迹的高维性、时间依赖性和智能体间结构(FoumaniNavid等,2024;Gingrass等,2021;Chen等,2023b)。
近期研究已将对抗攻击从计算机视觉领域扩展到时间序列数据(Wang等,2020;Wu等,2022;Ding等,2023),并应用于电力网络和网络安全(Khan等,2024;Zhang等,2025)。这些研究表明,时序模型同样对故意构造的扰动敏感。许多现有方法聚焦于单变量信号或将多变量输入通道视为可独立扰动的对象(Pialla等,2025),这使得无人机群集轨迹中耦合的运动学结构未被建模。轨迹层面的可行性还要求跨通道传播。数字输入攻击通常限制扰动幅度(Wang等,2020;Wu等,2022;Cai等,2024);而轨迹攻击还必须考虑上游运动变化如何影响后续状态。独立地改变加速度而不更新速度和位置,可能导致通道间不连续性或锯齿伪影,如图1(b)所示(Wang等,2021)。这些不一致性降低了生成样本对于评估物理耦合轨迹数据的适用性。
约束和时间平滑性描述了输入空间的失真情况(Ding等,2023;Dong等,2023;Li等,2024;Pialla等,2025)。运动学一致性还取决于位置、速度和加速度之间的时序关系(Pialla等,2022)。先前的因果启发性研究利用结构信息来分析扰动或选择干预特征(Guo等,2024;Cai等,2024)。对于群集轨迹,同样的动机可以通过预定义的运动学依赖关系来表达:优化上游规划变量,并利用运动方程重建其下游状态通道。
为解决多智能体轨迹中耦合的运动学结构问题,我们提出了面向SIR的Causality-Inspired Trajectory Adversarial Generation(CTAG)。CTAG遵循加速度、速度、位置的预定义运动学顺序。对于PVA输入,加速度作为上游优化变量,相应的速度和位置通道通过运动方程进行重建。对于SWARM的位置-速度表示,速度作为上游变量。这种因果启发式设计将优化限制在结构上有意义的干预变量上,并协调其下游效应。
CTAG-core对上游变量的有界变化进行参数化,并通过可微的运动学展开在干预窗口上进行传播。顺序投影在原物理域中执行逐步边界约束,展开过程根据各通道的时序微分关系重建下游通道。CTAG框架还提供了可选的迭代最小间距修复,在每次优化器更新后进行。这些组件共同减少了通道间不连续性,同时保持了可处理的基于梯度的优化。
图1(c)展示了上游变量干预、运动学约束展开和白箱优化的核心流程。可选的迭代修复在最小间距违例需要额外修正时启用。
我们在三个群集轨迹数据集——SWARM、UavMix3T20和AeroSwarm六自由度(6-DOF)仿真——上评估CTAG,涵盖五个识别骨干网络。评估内容包括攻击效果以及轨迹位移、拓扑结构、展开一致性、检测器响应、迁移性、可扩展性和闭环实现。在主要基准测试中,CTAG保持了高攻击成功率,并在所比较的八种方法中产生了最小的位置展开一致性的绝对变化量。闭环回放进一步提供了仿真器范围内的证据,表明成功的CTAG参考在刚体跟踪后仍可保持有效性。
本研究的主要技术贡献总结如下:
- 1.
我们将SIR的轨迹级对抗生成表述为针对上游运动变量的约束优化问题:对于PVA输入为加速度,对于位置-速度输入为速度。预定义的运动学顺序减少了优化特征空间,同时保留了运动变量之间的方向依赖性。
- 2.
我们开发了CTAG-core,一种可微的生成程序,结合了顺序投影、可配置的干预窗口和数据集对齐的运动学展开。可选的迭代修复在需要额外约束处理时减少最小间距违例。
- 3.
我们建立了多维评估协议,涵盖三个轨迹数据集和五个识别骨干网络上的攻击成功率、轨迹位移、拓扑结构、展开一致性、可检测性、迁移性、可扩展性、控制相关代理指标和闭环6-DOF实现。
本文其余部分组织如下:第2节综述了与群集意图分类范式和对抗时序攻击方法相关的文献。第3节介绍了CTAG的数学公式和优
- •
CTAG通过运动学展开生成对抗性集群轨迹。
- •
加速度干预保留了耦合的PVA轨迹动态特性。
- •
CTAG在五个骨干网络上实现了0.984和0.983的平均攻击成功率(ASR)。
- •
AeroSwarm的展开间隙和峰值加加速度分别降至0.338 m和0.20。
引言
无人机(UAV)因其机动性和成本效益,在旅游、灾难救援和物流等领域的应用日益广泛(Dorigo等,2020;Chen等,2023a)。随着其在低空经济和智慧城市基础设施中扮演越来越重要的角色(Zhou,2025),其面临空域干扰、非法入侵、恐怖主义和走私等威胁的范围也不断扩大(Barbeau等,2022)。这些风险催生了集群意图识别(SIR)技术,该技术通过分析群体的集体特征(如轨迹和通信模式)来推断作战目标并支持及时的安保响应(Yinhan等,2024)。早期的无人机识别研究将计算机视觉和雷达(Shi等,2018)与模糊理论(Tian等,2014)、贝叶斯网络(Li等,2023)以及级联支持向量机(CSVMs)(Yang等,2022b)相结合。然而,它们对先验知识和手工特征工程的依赖可能限制了其向复杂集群动态场景的泛化能力。
深度学习为基于轨迹的行为识别和多智能体集群表征提供了数据驱动的表征方法(Allahham等,2020;Chen等,2023b;Peltier, III等,2024;Yinhan等,2024)。这些模型通过直接从多智能体观测数据中学习时序和空间模式,能够支撑SIR系统从群体动态中推断集体目标,如图1(a)所示。
对抗鲁棒性仍然是基于DNN的识别系统面临的核心问题(Szegedy等,2013;Goodfellow等,2014)。精心构造的输入扰动可以改变模型预测结果,相关漏洞在物理场景中也有所发现(Eykholt等,2018)。在SIR中,鲁棒性评估必须考虑到集群轨迹的高维性、时间依赖性和智能体间结构(FoumaniNavid等,2024;Gingrass等,2021;Chen等,2023b)。
近期研究已将对抗攻击从计算机视觉领域扩展到时间序列数据(Wang等,2020;Wu等,2022;Ding等,2023),并应用于电力网络和网络安全(Khan等,2024;Zhang等,2025)。这些研究表明,时序模型同样对故意构造的扰动敏感。许多现有方法聚焦于单变量信号或将多变量输入通道视为可独立扰动的对象(Pialla等,2025),这使得无人机集群轨迹中耦合的运动学结构未被建模。轨迹层面的可行性还要求跨通道传播。数字输入攻击通常限制扰动幅度(Wang等,2020;Wu等,2022;Cai等,2024);而轨迹攻击还必须考虑上游运动变化如何影响后续状态。独立地改变加速度而不更新速度和位置,可能导致通道间不连续性或锯齿伪影,如图1(b)所示(Wang等,2021)。这些不一致性降低了生成样本对于评估物理耦合轨迹数据的适用性。
约束和时间平滑性描述了输入空间的失真情况(Ding等,2023;Dong等,2023;Li等,2024;Pialla等,2025)。运动学一致性还取决于位置、速度和加速度之间的时序关系(Pialla等,2022)。先前的因果启发性研究利用结构信息来分析扰动或选择干预特征(Guo等,2024;Cai等,2024)。对于集群轨迹,同样的动机可以通过预定义的运动学依赖关系来表达:优化上游规划变量,并利用运动方程重建其下游状态通道。
为解决多智能体轨迹中耦合的运动学结构问题,我们提出了面向SIR的Causality-Inspired Trajectory Adversarial Generation(CTAG)。CTAG遵循加速度→速度→位置的预定义运动学顺序。对于PVA输入,加速度作为上游优化变量,相应的速度和位置通道通过运动方程进行重建。对于SWARM的位置-速度表示,速度作为上游变量。这种因果启发式设计将优化限制在结构上有意义的干预变量上,并协调其下游效应。
CTAG-core对上游变量的有界变化进行参数化,并通过可微的运动学展开在干预窗口上进行传播。顺序投影在原物理域中执行逐步边界约束,展开过程根据各通道的时序微分关系重建下游通道。CTAG框架还提供了可选的迭代最小间距修复,在每次优化器更新后进行。这些组件共同减少了通道间不连续性,同时保持了可处理的基于梯度的优化。
图1(c)展示了上游变量干预、运动学约束展开和白箱优化的核心流程。可选的迭代修复在最小间距违例需要额外修正时启用。
我们在三个集群轨迹数据集——SWARM、UavMix3T20和AeroSwarm六自由度(6-DOF)仿真——上评估CTAG,涵盖五个识别骨干网络。评估内容包括攻击效果以及轨迹位移、拓扑结构、展开一致性、检测器响应、迁移性、可扩展性和闭环实现。在主要基准测试中,CTAG保持了高攻击成功率,并在所比较的八种方法中产生了最小的位置展开一致性的绝对变化量。闭环回放进一步提供了仿真器范围内的证据,表明成功的CTAG参考在刚体跟踪后仍可保持有效性。
本研究的主要技术贡献总结如下:
- 1.
我们将SIR的轨迹级对抗生成表述为针对上游运动变量的约束优化问题:对于PVA输入为加速度,对于位置-速度输入为速度。预定义的运动学顺序减少了优化特征空间,同时保留了运动变量之间的方向依赖性。
- 2.
我们开发了CTAG-core,一种可微的生成程序,结合了顺序投影、可配置的干预窗口和数据集对齐的运动学展开。可选的迭代修复在需要额外约束处理时减少最小间距违例。
- 3.
我们建立了多维评估协议,涵盖三个轨迹数据集和五个识别骨干网络上的攻击成功率、轨迹位移、拓扑结构、展开一致性、可检测性、迁移性、可扩展性、控制相关代理指标和闭环6-DOF实现。
本文其余部分组织如下:第2节综述了与集群意图分类范式和对抗时序攻击方法相关的文献。第3节介绍了CTAG的数学公式和优