ENHANCING TRUSTWORTHINESS OF IOT-ENABLED AUTOMATED VEHICLE LOCALIZATION SYSTEMS

Назва

Англійська

Російська

.

Українська

ПІДВИЩЕННЯ ДОВІРЕНОСТІ ТА НАДІЙНОСТІ СИСТЕМ ЛОКАЛІЗАЦІЇ АВТОМАТИЗОВАНИХ ТРАНСПОРТНИХ ЗАСОБІВ У СЕРЕДОВИЩІ IOT

Опис

Англійська

Relevance. Autonomous vehicles rely on multi-sensor localization systems operating within IoT infrastructures, creating interconnected vulnerabilities from sensor anomalies, network failures, and cybersecurity threats that require comprehensive solutions addressing both vehicle-level and infrastructure-level reliability challenges. The object of research is IoT-enabled automated vehicle localization systems requiring trustworthy operation under adverse conditions, including sensor malfunctions, GPS spoofing attacks, and infrastructure failures. Purpose of the article is to develop and validate a unified resilience framework that integrates transformer-based anomaly detection for in-vehicle sensor streams with federated learning agents deployed across IoT edge gateways, ensuring sub-second recovery from infrastructure failures while maintaining localization accuracy. Research results. The proposed framework achieves 9498% anomaly detection accuracy while maintaining localization errors below 0.5 meters during fault conditions. The federated learning component demonstrates 40% reduced communication overhead compared to centralized approaches, with sub-second failover capabilities during infrastructure failures. Explainable ML integration provides interpretable alerts through transformer attention mechanisms, enabling real-time system diagnostics. Conclusions. The unified framework successfully addresses critical challenges in autonomous vehicle deployment by combining multi-layer anomaly detection, coherent reliability broadcasting, and explainable AI techniques, providing a comprehensive foundation for trustworthy autonomous vehicle operation in IoT-enabled smart city environments.

Українська

Актуальність. Автономні транспортні засоби покладаються на багатосенсорні системи локалізації, що функціонують у межах інфраструктури Інтернету речей, утворюючи взаємопов’язані вразливості, пов’язані з аномаліями сенсорів, відмовами мережі та кіберзагрозами, які потребують комплексних рішень для подолання проблем на рівні як транспортного засобу, так і інфраструктури. Об’єкт дослідження – системи локалізації автоматизованих транспортних засобів, що працюють в середовищі IoT і вимагають надійної роботи за несприятливих умов, зокрема у разі відмов сенсорів, атак із підміною сигналів GPS та збоїв інфраструктури. Мета статті – розробка та валідація єдиної рамкової моделі стійкості, яка інтегрує трансформерні методи виявлення аномалій у потоках даних бортових сенсорів із федеративними агентами навчання, розгорнутими на IoT-шлюзах, що забезпечує відновлення роботи після інфраструктурних збоїв менш ніж за секунду при збереженні точності локалізації. Результати дослідження. Запропонована модель забезпечує точність виявлення аномалій на рівні 94–98 % при збереженні похибки локалізації менш ніж 0,5 м у разі відмов. Компонент федеративного навчання демонструє зниження комунікаційних витрат на 40 % у порівнянні з централізованими підходами та забезпечує відновлення роботи після відмови інфраструктури менш ніж за секунду. Інтеграція пояснюваного машинного навчання дає змогу отримувати інтерпретовані попередження завдяки механізмам уваги трансформера, що дозволяє виконувати діагностику системи в реальному часі. Висновки. Єдина рамкова модель ефективно вирішує ключові виклики впровадження автономних транспортних засобів шляхом поєднання багаторівневого виявлення аномалій, узгодженого поширення повідомлень про надійність та методів пояснюваного ШІ, забезпечуючи комплексну основу для довіреної роботи автономних транспортних засобів у середовищі розумних міст, інтегрованих з IoT.

Автор

Англійська

Sevostianova, Olena

Англійська

Kosenko, Nataliia

Англійська

Filippov, Vladlen

Англійська

Diachenko, Maksym

Англійська

Kharakhaichuk, Ivan

Тематика

Англійська

autonomous vehicles

Англійська

IoT reliability

Англійська

anomaly detection

Англійська

federated learning

Англійська

sensor fusion

Англійська

cybersecurity

Російська

5

Українська

автономні транспортні засоби

Українська

надійність IoT

Українська

виявлення аномалій

Українська

федеративне навчання

Українська

сенсорна інтеграція

Українська

кібербезпека

Видавництво

Українська

Національний університет «Полтавська політехніка імені Юрія Кондратюка»

Тип

info:eu-repo/semantics/article

info:eu-repo/semantics/publishedVersion

Формат

application/pdf

Ідентифікатор

https://journals.nupp.edu.ua/sunz/article/view/4096

10.26906/SUNZ.2025.4.017

Джерело

Англійська

Control, Navigation and Communication Systems. Academic Journal; Vol. 4 No. 82 (2025): Control, Navigation and Communication Systems; 17-21

Російська

Системы управления, навигации и связи. Сборник научных трудов; Том 4 № 82 (2025): Системи управління, навігації та зв'язку; 17-21

Українська

Системи управління, навігації та зв’язку. Збірник наукових праць; Том 4 № 82 (2025): Системи управління, навігації та зв'язку; 17-21

2073-7394

10.26906/SUNZ.2025.4

2025. №4 (82)

Мова

en

Відношення

https://journals.nupp.edu.ua/sunz/article/view/4096/3426

Права

Українська

Авторське право (c) 2025 Olena Sevostianova
, Nataliia Kosenko
, Vladlen Filippov
, Maksym Diachenko
, Ivan Kharakhaichuk

Українська

http://creativecommons.org/licenses/by-nc/4.0

eNUPPIR

Властивості

Набори елементів 1

Збірник наукових праць. Системи управління, навігації та зв’язку

Інформація про метадані