Mar, 2024

面对最坏情况的准备：一种基于学习的对抗攻击方法用于 ICP 算法的鲁棒性分析

PDF
TL;DR该研究提出了一种通过基于深度学习的攻击评估迭代最近点（ICP）算法在激光雷达点云上的弹性的新方法。
resilienceiterative closest point (icp)lidardeep-learning-based attackspose error
发现论文，激发创造
  • KISS-ICP：支持点对点 ICP 的辩护 —— 如果正确实现，则简单、准确且健壮

    研究通过精简核心元素实现了一个在各种环境条件下可操作的简单有效的传感器里程计估计系统，该系统在使用不同类型的 LiDAR 传感器时，仅具有少数参数并且不需要计算 IMU 信息，能够广泛应用于不同的应用场景。

    Sep, 2022

  • 指明方向：使用学习的 ICP 权重来改进雷达 - 激光雷达定位

    本文提出一种基于深度学习的新型方法，改进了基于雷达测量的定位技术，并成功将雷达数据与激光雷达地图进行匹配，从而在降雨和大雾等恶劣天气条件下保持高性能，降低雷达 - 激光雷达定位中的误差。

    Sep, 2023

  • 形状不变的 3D 敌对点云

    本文提出了一种新的点云灵敏度映射方法，以明确表明点云识别模型在遇到形状不变的对抗噪声时的脆弱性并提高噪声的效率和隐蔽性，该方法在各种点云识别模型中表现出优异的性能并具有令人满意的对抗隐身性和对不同点云防御设置的强抵抗力。

    Mar, 2022

  • 通过对抗性轨迹扰动欺骗 LiDAR 感知

    通过对无人车的轨迹进行微小干扰，恶意攻击者能够对深度学习网络中的运动补偿机制进行攻击，破坏无人车对安全关键物体的探测。多项实验表明，这种攻击手段不仅能够有效降低现有最优检测器的性能，而且还具有较强的通用性。

    Mar, 2021

  • PointCA: 对抗样本下评估 3D 点云补全模型的鲁棒性

    本文提出了 PointCA，一种针对三维点云完形模型的对抗攻击方法，在考虑几何空间和特征空间的情况下定制扰动约束，令对抗点云的几何智能和分布自适应性得到提高。通过对不同点云完成网络的广泛实验，表明了 PointCA 攻击使得性能降低了约 60％，且结构 chamfer 距离低于 0.01。作者总结了现有的完形模型严重容易受到对抗样本的影响，并且点云分类的最新防御措施不适用于不完整和不均匀的点云数据。

    Nov, 2022

  • 点集的对抗攻击与防御

    本文提出了一种针对 3D 点云数据的攻击和防御方案，包括新颖的 3D 点云攻击操作以及灵活的扰动测量方案，防御方法对抗性点云有效，对多个点云网络的攻击可迁移，并且在一系列实验中验证了该攻击和防御框架的有效性。

    Feb, 2019

  • 快速且强健的迭代最近点算法

    本文提出了一种快速并具有鲁棒性的 Iterative Closest Point 方法，通过将点对点 ICP 视为主性 - 最小化算法，并采用 Anderson 加速方法加速其收敛速度并引入基于 Welsch 函数的鲁棒误差度量。在具有噪声和部分重叠的数据集上，我们实现了与稀疏 ICP 相似或更好的准确性，而速度至少快一个数量级。最后，我们将鲁棒的形式扩展到了点对平面 ICP，并使用类似的 Anderson 加速 MM 策略解决了相应的问题。

    Jul, 2020

  • 生成 3D 对抗点云

    本文中提出了多种新算法以攻击 PointNet，这是用于点云处理的广泛使用的深度神经网络，通过点扰动和点生成两种方法来制作对抗性点云。

    Sep, 2018

  • MAD-ICP：数据匹配的关键 -- 稳健且信息丰富的 LiDAR 里程计

    该研究论文介绍了一种 LiDAR 里程计系统，能够在不同操作条件下正常运行，并实现与特定领域方法相当的性能。该系统使用基于 PCA 的 kd 树实现的 ICP 范式，用于提取待配准点云的结构信息并计算对齐的最小化度量。通过根据估计的姿态不确定性管理局部地图，将漂移控制在一定范围内。为了使研究社区受益，我们发布了一个开放源代码的 C++ 实现，可实时应用在任何时候。

    May, 2024

  • AA-ICP: Anderson 加速的迭代最近点算法

    本文提出了一种利用 Anderson 加速方法加速 Iterative Closest Point 算法的新方法，无需对现有代码进行实质性改动，使其更具实时性。利用 Point Cloud Library 实现本方法，并全面支持在真实数据上 achieved 相较于现有方法更好的加速效果。

    Sep, 2017