
CARAMEL demuestra sus resultados en el campo de los vehículos autónomos y conectados
El proyecto H2020 CARAMEL (Ciberseguridad basada en Inteligencia Artificial para Vehículos Conectados y Automatizados), coordinado por i2CAT, busca identificar las respuestas más adecuadas a las amenazas y vulnerabilidades de ciberseguridad en el contexto de la Movilidad Cooperativa, Conectada y Automatizada (CCAM).
El proyecto distingue cuatro pilares principales: la movilidad autónoma, la movilidad conectada, la electromovilidad y el control remoto de los vehículos; donde cada uno de ellos presenta diferentes escenarios. En concreto, y de forma respectiva, dichos pilares contemplan técnicas que alteran el entorno interpretado por el coche, alteran su localización GPS, interfieren con las estaciones de carga disponibles para el mismo o con las operaciones remotas. Para identificar (y posiblemente mitigar) los ciberataques, el proyecto se basa en técnicas basadas en IA/ML, principalmente en Redes Neuronales (NNs), junto con el uso de modelos Tensorflow Lite y la API Keras para implementarlos. Algunos ejemplos de NNs en uso son las Redes Neuronales Convolucionales (CNNs), mientras que algunas técnicas también en uso son el Auto Codificador (AE) y la Red Adversarial Generativa Wasserstein (WGAN).
El 21 de junio se demostraron los resultados finales del proyecto en las instalaciones de Panasonic Automotive en Langen (Hessen) en Alemania. La primera mitad de la jornada consistió en una presentación técnica de los desarrollos en los dos primeros pilares (movilidad autónoma y conectada), que se presentaron posteriormente durante la segunda parte del día tanto en directo, con un vehículo en movimiento en la zona, o mediante simulaciones (utilizando el simulador CARLA).
Los temas tratados durante las demostraciones en directo englobaron las técnicas de detección y respuesta a las ciberamenazas (Panasonic), la interoperabilidad V2X (i2CAT), la revocación de certificados (Atos), la antimanipulación del HW de la OBU (Nextium) y el backend de CARAMEL (Capgemini). La figura 1 muestra el coche en movimiento, utilizado para la demostración en vivo.

Tras la demostración en vivo tuvieron lugar las demostraciones simuladas. Éstas mostraron los resultados de la investigación y las integraciones en la mitigación de los ciberataques a los vehículos autónomos, concretamente en la (i) presentación de las actividades del vehículo de control remoto con el algoritmo de detección y evaluación de intrusiones en el controlador Gateway & RCV; y, a continuación, en (ii) el pilar 1 (simulaciones de movilidad autónoma), demostrando el ataque de Location Spoofing (AVL), un análisis y robusto para comprender mejor la escena a través de la fusión multimodal (UPAT), el uso de DriveGuard para contrarrestar los ataques contra las cámaras de vehículos autónomos (UCY) y la detección y mitigación de la manipulación de señales de tráfico (0Inf); así como en (iii) el pilar 2 (movilidad conectada), con ataques a la transmisión de mensajes V2X (i2CAT), técnicas para evitar la manipulación del hardware de la OBU (Nextium), la revocación de certificados (Atos), la suplantación colaborativa del GPS (UPAT) y la aplicación de ML al conocimiento integral u holístico de la escena; y en (iv) el pilar 3 (electromovilidad), con la detección remota de ciberataques a las estaciones de carga de vehículos eléctricos desde la nube (Greenflux).
Como ejemplo de las demostraciones en el pilar 2, la aplicación de ML al conocimiento integral de la escena presentó un escenario base en que inicialmente se usan los datos obtenidos de los sensores, tanto el de Detección y Localización de Imágenes por Láser (LiDAR) como el de la cámara del vehículo; a fin de clasificar correctamente los vehículos (en verde) o los peatones y las bicicletas (en azul). La figura 2 muestra cómo a estos se les aplica el color adecuado para cada máscara de segmentación.

Sin embargo, al estar sometido a un ataque, dicho procedimiento de clasificación puede fallar; produciendo una segmentación fallida de la imagen (es decir, donde ya no se da una identificación correcta), tal y como se muestra en la Figura 3. En este caso se aplica una técnica de fusión multimodal para integrar los datos de los sensores LiDAR y de la cámara y así proporcionar un análisis robusto de la escena, capaz de identificar si la situación es segura o está bajo ataque y aplicar un conjunto de técnicas para corregir las anomalías si se encuentra en este último caso.

El proyecto H2020 CARAMEL es un ejemplo de la aplicación de técnicas de IA y ML para complementar el conocimiento del entorno y mejorar los resultados obtenidos por el sistema propuesto. En Open-VERSO se utilizan algunas técnicas similares (p.ej., las CNNs) para clasificar señales de radio o bien para la optimización del dimensionamiento de las redes móviles según su uso.