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。

Jun, 2023

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

本文提出了一种多模态融合 (Multimodal Fusion Framework) 安全系统，利用 VGG 系列神经网络融合异构音频 - 视觉模态，检测准确率可达 92.25%, 并测量了模型不确定性，结果表明我们的方法可帮助提高模型鲁棒性和准确性，并为理解提供了更深入的步骤，适用于高级驾驶辅助系统。

May, 2023

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

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

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

利用跨模态语义指导多模态特征的融合和解码，提出了一种新的方法以控制相对熵，具有共享和特定的表示法以及跨层自我监督，并基于质量适应模态贡献的 all-round attentive fusion 和 course-to-fine decoder 两部分解码器，提高特征可辨别性和系统的表现。

May, 2023

本文提出了一种高效的 CNN 方法 ——MSFNet，它利用类边界监督和多特征融合模块来实现实时语义分割，并在 Cityscapes 和 Camvid 数据集上得到了比现有方法更好的结果。

Nov, 2019

本研究提出了一种新的凸松弛方法，用于评估计算机视觉模型对于向量场攻击的鲁棒性，该方法可以为广泛的神经网络验证工具提供证明，实验证明该方法具有较高的效率和可扩展性。

Sep, 2020

本文提出了一种名为 Interpretable Sensor Fusion Transformer (InterFuser) 的安全增强自动驾驶框架，可完全处理和融合来自多模态多视角传感器的信息，实现全面的场景理解和对抗事件检测，在 CARLA 基准测试中表现优异，并提供了中间可解释特征用于更好地限制行动。

Jul, 2022