本文提出一种针对联邦强化学习（FRL）系统的安全防御框架SecAgg+，旨在保护安全关键的自动驾驶场景中的FRL模型免受投毒攻击。联邦强化学习允许多个智能体协同学习而不共享原始数据，从而增强隐私和可扩展性，但现存投毒攻击可通过注入恶意系统参数破坏全局控制模型，而这一漏洞在自动驾驶中尚未被充分研究。SecAgg+框架策略性地结合了数字孪生（digital twins）用于排练式学习（rehearsal-based learning），并利用历史聚合模型参数和选定的中心梯度，确保仅聚合良性数据，有效缓解恶意智能体的影响。文章提供了在投毒攻击下SecAgg+收敛性能的理论保证，并通过开发模拟真实高速公路环境的数字孪生进行实验，验证了该框架在对抗条件下对自动驾驶车辆控制的有效性。