在自动驾驶中，实时感知是负责检测周围物体以确保安全驾驶的重要组成部分。本文提出了 SlowTrack，一种新的用于增加基于摄像头的自动驾驶感知执行时间的对抗性攻击框架。评估结果表明，SlowTrack 在保持可感知性水平的同时明显优于现有的基于延迟的攻击。

Dec, 2023

介绍了一种新型的物理世界对抗贴片攻击 (ControlLoc)，利用两阶段过程，通过识别最佳位置生成贴片，修改感知到的物体位置和形状，在不同条件下以卓越的攻击成功率 (98.1%) 攻击自动驾驶视觉感知，比现有的劫持攻击有效性提高四倍，且在实际车辆测试中达到 77.5% 的攻击成功率，评估了 AD 系统的影响如车辆碰撞率和不必要的紧急停车率 (81.3%)。

Jun, 2024

自动驾驶中的感知是实现安全和可靠驾驶不可或缺的。然而，存在的研究仅在目标的 AI 组件级别进行攻击效果评估，而未考虑整个系统语义和上下文的影响。本研究首次对已有设计在现实自动驾驶背景下是否能有效实现系统级攻击效果进行了测量研究，并提出了一种新颖的系统驱动攻击设计 SysAdv，结果表明系统级效果能够显著改善。

Aug, 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

该研究从激光雷达感知到预测车辆轨迹的角度进行了首次安全分析，提出了一种间接攻击方法，通过对受害者自动驾驶车辆的感知模块进行攻击来诱导轨迹预测错误，以实现可行的、单点式的攻击。实验结果表明，该攻击方法能导致高达 63％的碰撞率和各种危险情况，为自动驾驶的轨迹预测提供了现实的安全威胁。

Jun, 2024

本论文介绍了将最先进的计算机视觉算法应用于自动驾驶赛车的实际挑战和解决方案，包括基于 YOLOv3 的物体检测，姿态估计和双目 / 单目视觉摄像头的时间同步，强调了适用于赛车领域的感知卷积神经网络的修改，姿态估计所使用的损失函数的改进以及亚微秒级相机同步的方法等。我们对该系统进行了彻底实验评估，证明其在实际赛车场景中具有准确性和低延迟性。

Jul, 2020

自动驾驶（AD）系统通常以模块化方式构建和测试，其中使用特定任务的度量标准来衡量不同模块的性能。我们展示了可以构建得分在各种感知质量度量方面非常高，但仍导致规划失败的规划输入，称之为对抗感知错误，并通过使用简单的边界攻击算法在 CARLA 模拟器中找到了针对两个不同黑盒规划器的攻击，适用于几种城市和高速公路驾驶场景。最后，我们分析了这些攻击的特性，表明它们在规划器的输入空间中是孤立的，并讨论了它们对自动驾驶系统部署和测试的影响。

Nov, 2023

本文研究自动驾驶车辆中基于深度学习的对抗攻击，通过在路面上绘制黑色线条，实现对深度神经网络模型的干扰，并提出了一种新的高效攻击方式。同时，定义了新的路径劫持攻击，并通过 Bayesian Optimization 技术实现了对高维度攻击范围的搜索，最终提供了对攻击成功的洞察。

Oct, 2019

本文对自动驾驶汽车中基于 LiDAR 传感器的感知系统进行了首次安全研究，将 LiDAR 欺骗攻击作为威胁模型，并探索了机器学习模型欺骗攻击的可能性，提出了优化方法和算法，同时讨论了针对自动驾驶汽车感知系统、传感器和机器学习模型的防御方向。

Jul, 2019

使用 EvilEye 攻击的动态物理对抗样本生成方法在各种环境光照条件下更加稳健，并能绕过最新的物理对抗检测框架，为攻击者提供了适应多种物体的对抗样本的动态能力。最后，我们探讨了对抗 EvilEye 攻击的缓解策略。

Jul, 2023