MMJun, 2024

LanEvil：车道检测对环境幻觉的稳健性基准评估

PDF
TL;DR本研究首次研究了环境干扰对车道检测（LD）的潜在威胁，并建立了 LD 稳健性的首个全面基准 LanEvil。通过实验评估，揭示了流行的 LD 方法在面对自然干扰时的大幅性能下降，尤其是阴影效应造成的风险最大。为了防御环境干扰，提出了 Attention Area Mixing（AAM）方法，通过使用困难样本实现显著的稳健性改进。希望本文能为未来更强大的自动驾驶系统的发展做出贡献。
lane detectionautonomous driving systemsenvironmental illusionsrobustnessbenchmark
发现论文，激发创造
  • 面向稳健的物理世界车道检测背门攻击

    本文介绍一种用于自动驾驶系统的基于深度学习的车道检测的动态场景适应后门攻击方法，通过各种形状的污点或污染激活后门，以适应不同的驾驶观察视点和环境条件的变化；通过元学习框架生成适应不同环境条件的元触发器，用于初始化后门植入的触发器模式，以应对动态环境，实验证明攻击的有效性。

    May, 2024

  • 深度多传感器车道检测

    提出了一种结合 LiDAR 和相机传感器的深度神经网络，可以在 3D 空间中直接估计车道边界，在高速公路和城市道路等复杂情境下取得了很高准确度，解决了自动驾驶中车道检测精度不足的问题。

    May, 2019

  • 脏路可攻击：物理世界下基于深度学习的自动车道居中的安全性

    本文首次系统地研究了当下最先进的基于深度学习的自动道路中心系统在其规定的操作范围内，面对世界动态对抗攻击的安全问题，并建立了带有安全防护的攻击目标、新颖的攻击向量和基于优化的攻击生成方法，并通过实验验证展示了其高效和具备安全影响。

    Sep, 2020

  • DeepIPCv2: 基于 LiDAR 的自动驾驶环境感知和导航控制系统

    该研究提出了 DeepIPCv2 自主驾驶模型，使用 LiDAR 传感器感知环境，提高驾驶的稳定性和可靠性。该模型在不同光照条件下具有更好的场景理解和稳定的感知特征，从而支持控制模块进行准确的导航控制。通过多项测试和比较实验，DeepIPCv2 表现出在所有条件下的最佳性能。

    Jul, 2023

  • 基于物理世界的车辆检测对抗鲁棒性基准测试

    本文提出了一个基于 CARLA 模拟器的即时级数据生成流水线，生成了 DCI 数据集，并对三种检测模型和三种物理对抗攻击进行了广泛的实验，发现 Yolo v6 具有最强的鲁棒性，只有 6.59％的平均 AP 下降率，而 ASA 是最有效的攻击算法，平均 AP 下降率为 14.51％，是其他算法的两倍。

    Apr, 2023

  • 通过扩展自注意力实现鲁棒车道检测

    本文介绍一个名为扩展自注意力 (ESA) 模块的简单却强大的自注意力机制，在车道检测中取得了最先进的结果，并通过在三个流行的车道检测基准测试上的实验结果表明了该方法的鲁棒性。

    Feb, 2021

  • 基于交叉相似性的车道检测对比学习

    用反映关键性的自监督学习方法 CLLD 增强车道检测模型对导致车道低可见度的真实环境条件的抵御能力，并在光照阻碍等可见度受损的条件下优于最先进的对比学习方法，尤其在阴影等情况下表现出色。

    Aug, 2023

  • 自动化评估自动驾驶语义分割鲁棒性

    本文介绍了一种用于分析语义分割模型稳健性的新方法，并提供了一些指标以评估在各种环境条件下的分类性能。该过程还结合了另一种传感器（lidar）以自动化处理过程，消除了验证数据的手工标注需求。实验结果表明，语义分割模型的性能因天气、相机参数、阴影等因素而异，并演示了如何在改进模型后比较和验证各种网络的性能。

    Oct, 2018

  • 针对基于 LiDAR 的自动驾驶系统的对抗性物体

    本文揭示了基于 LiDAR 的自动驾驶检测系统的潜在漏洞，并通过 LiDAR-Adv 的优化方法生成逃避 LiDAR 检测系统的对抗性物体，并在百度 Apollo 自动驾驶平台上测试和 3D 打印这些物体以证明实际世界中的存在性。

    Jul, 2019

  • 自动驾驶中基于 LiDAR 的感知的鲁棒性：普遍的黑匣子对抗传感器攻击及对策

    该论文通过第一次研究探索了当前利用 LiDAR 技术的自动驾驶系统的漏洞，并提出了 CARLO 和 SVF 两种方法用于检测和减轻 LiDAR 攻击，其中 SVF 进一步降低了攻击成功率。

    Jun, 2020