딥 강화 학습(DRL)은 자율 주행 정책 개발에 상당한 성공을 거두었지만, 적대적 공격에 취약하다는 점은 실제 배포의 주요 장벽으로 남아있다. 본 논문에서는 세 가지 문제점(근시안적 공격, 안전 치명적 사건 유발의 어려움, 학습 불안정성 및 정책 드리프트)을 해결하기 위해, 전략적 목표 적대자와 강력한 주행 에이전트로 구성된 새로운 접근 방식인 Intelligent General-sum Constrained Adversarial Reinforcement Learning (IGCARL)을 제안한다. IGCARL은 전략적이고 조정된 다단계 공격을 수행하기 위해 DRL의 시간적 의사 결정 능력을 활용하는 전략적 목표 적대자를 사용한다. 또한 일반 합 목표를 채택하여 안전 치명적 사건을 유발하는 데 중점을 둔다. 강력한 주행 에이전트는 적대자와 상호 작용하여 적대적 공격에 대한 강력한 자율 주행 정책을 개발한다. 적대적 환경에서 안정적인 학습을 보장하고 공격으로 인한 정책 드리프트를 완화하기 위해, 에이전트는 제약된 공식 하에서 최적화된다. 실험 결과, IGCARL은 최첨단 방법보다 성공률을 27.9% 이상 향상시켜 적대적 공격에 대한 우수한 견고성을 보여주고 DRL 기반 자율 주행의 안전성과 신뢰성을 향상시켰다.
