Raciocínio Baseado em Regras em um Sistema de Detecção de Intrusões Baseado em Transformer de Conhecimento Dinâmico para Veículos Autônomos

Nos últimos anos, veículos autônomos (VAs) requerem mecanismos de raciocínio robustos para garantir segurança e eficiência em ambientes de tráfego dinâmico. No entanto, o sistema de detecção de intrusões híbrido existente usando o modelo de Aprendizado por Reforço Profundo (HIDS-DRL) é limitado por hierarquias de regras estáticas, complicações na resolução de conflitos de regras e falta de generalização para situações não vistas. Para superar essas limitações, esta pesquisa propõe a estrutura de Raciocínio Baseado em Regras em um Transformer de Conhecimento Dinâmico para VAs (RDK-AV) que combina raciocínio simbólico e aprendizado baseado em dados. Inicialmente, uma base de conhecimento dinâmica codifica leis de trânsito, restrições contextuais e prioridades de segurança, atualizada continuamente com a percepção ambiental. Depois, uma camada de raciocínio baseada em regras filtra ações candidatas e resolve conflitos de forma adaptativa, enquanto um transformer infundido de conhecimento captura padrões temporais de tráfego e os alinha com embeddings de regras para suportar o raciocínio contextual. Em seguida, um módulo de fusão de decisão integra ambas as saídas para gerar políticas de direção seguras, explicáveis e adaptativas com maior robustez para navegação autônoma em cenários do mundo real. Resultados experimentais demonstram que o modelo RDK-AV proposto alcançou um desempenho bastante bom na otimização de todo o sistema de tráfego com uma Redução Média Cumulativa de Atraso (ACD) por veículo de 2,6%, quando comparado ao modelo HIDS-DRL existente.