Jun, 2023

基于 AI 的多传感器融合系统鲁棒性基准测试：挑战与机遇

PDF
TL;DR本文提出了一个针对多传感器融合技术 (MSF) 的公共基准测试，包括目标检测、目标追踪和深度完成三个任务，并基于此设计了 14 个常见和实际的数据破坏模式，通过大规模的评估揭示了当前基于人工智能的 MSF 感知系统的脆弱性和不可靠性，提出了在设计基于人工智能的 MSF 系统时，需要考虑其强壮性和可靠性的建议。
multi-sensor fusiondeep learningperception systemsbenchmarkcorruption patterns
发现论文，激发创造
  • 无法被相机和 LiDAR 探测：在物理攻击下的自动驾驶多传感器融合感知安全

    本文针对现代自动驾驶采用的多传感器融合设计方案的安全问题进行研究，旨在探究该方案在多源攻击下的安全性。作者提出一种优化攻击方法，生成一种 3D 打印的欺骗物，用于误导自动驾驶系统，测试结果表明该攻击方法能够在真实世界驾驶场景中达到超过 90％的成功率，并在硬件捕捉后仍是真实可行的。

    Jun, 2021

  • 验证多传感器融合系统对语义攻击的稳健性

    多传感器融合系统在现代自动驾驶车辆中的感知模块中起着重要作用。本文提出了第一个针对多传感器融合系统的健壮性认证框架 COMMIT，用于抵御语义攻击。通过实证评估，我们证明了 COMMIT 在不同交通场景中具有较高的认证性能，为实践中的可靠自动驾驶车辆贡献了重要一步。

    Mar, 2024

  • 自动驾驶中的鲁棒性感知 3D 物体检测：综述与展望

    在现代自动驾驶领域中，感知系统是不可或缺的，它可以准确评估周围环境的状态，从而实现知情预测和规划。本研究重点研究了感知系统的鲁棒性、准确性和延迟性在实际情况下的评估，通过对基于摄像头、LiDAR 和多模态的 3D 物体检测算法进行全面评估，特别是在 KITTI-C 和 nuScenes-C 等数据集上进行公平比较，发现多模态的 3D 检测方法表现出更强的鲁棒性，并引入了一个新的分类系统以提高文献的清晰度。本调查旨在为当前三维物体检测算法在实际应用中的能力和限制提供更实用的视角，从而引导未来的研究朝向鲁棒性为中心的发展。

    Jan, 2024

  • 融合不足：针对自动驾驶融合模型的单模攻击

    该研究论文提出针对自动驾驶车辆中常用的多传感器融合技术进行攻击的框架，其中对摄像头模态进行针对性攻击，研究表明此攻击方式可以破坏多种融合模型，从而削弱其目标检测性能。

    Apr, 2023

  • 自主车辆稳健决策中感知误差建模

    本文提出了一种基于仿真的方法，以回答一个关键问题：感知系统的性能是否足以让决策系统做出强有力的、安全的决策，同时还展示了如何分析不同类型的感知误差对自主系统行为的影响。

    Jan, 2020

  • 自动驾驶中多传感器感知系统的对抗鲁棒性探索

    本文研究了自动驾驶多模态感知系统在受到对抗性攻击时的鲁棒性问题，揭示了通过添加物理对抗性物体来隐藏不同车辆的可能性，并提出使用特征去噪的对抗性训练方法可以显著提高系统鲁棒性。

    Jan, 2021

  • 基于惩罚的仿生学习，融合跨语义生成传感器融合于自主驾驶

    本文提出了一种新颖的基于特征融合的多传感器融合技术，结合仿真学习实现端到端自动驾驶导航。论文的重点在于 Lidar 和 RGB 信息的融合技术，同时提出基于惩罚的仿真学习方法，以加强模型对交通规则的遵守，并统一仿真学习和自动驾驶指标的目标。

    Mar, 2023

  • 感知感知多传感器融合用于 3D LiDAR 语义分割

    本文章提出了一种基于感知信息的多传感器融合策略（PMF），用于自动驾驶等应用中的 3D LiDAR 语义分割，通过两个模态的外观和空间深度信息进行感知信息融合并且提出了感知相关的损失函数用于衡量两种模式之间的差异性，实验结果证明了该方法的优越性。

    Jun, 2021

  • 自动驾驶系统中数据集成的深度学习方法调查

    本文综述了近期深度学习与感知模块相结合的自动驾驶系统，介绍了针对何时、如何和何种方式集成多传感器测量的分类方法，提出了基于多视图、多模态和多帧的三维集成分类，总结了集成操作的优缺点，并讨论了理想数据集成方法的关键特性。

    Jun, 2023

  • 多传感器融合定位系统在高级自动驾驶中受 GPS 攻击漂移的安全性（扩展版本）

    该研究对自动驾驶汽车多传感器融合算法在 GPS 模拟攻击下的安全性进行了研究，并设计了攻击算法 FusionRipper，能够以至少 97% 和 91.3% 的成功率实现离线和逆行攻击。

    Jun, 2020