本文探讨了一种对抗性强化学习算法，以增强自主车辆对网络物理攻击的鲁棒性。研究分析了攻击者与车辆的互动，提出了基于强化学习的自动化网络防御代理，并评估其在不同攻击策略下的表现。通过深度学习技术，展示了多智能体强化学习在网络防御中的潜力，并提出了未来研究方向。

本文提出了对抗性强化学习方法，通过二人零和博弈自动确定环境参数范围，训练的优化代理更具鲁棒性。在网格世界和三个 MuJoCo 控制环境中验证。