本文提出了一种生成不引人注目的材质的系统，能够迷惑物体跟踪系统，比如通过使用各种优化策略生成对抗性材质，进而在物理世界中对机器人相机进行视觉混淆，实现物体规避目的。同时，作者比较了不同的条件变量，包括视点，光照以及外观，以寻找实用的高性能攻击设置。

Apr, 2019

本文研究关于具有动态环境和互动特性的实体代理的对抗攻击，通过生成时空扰动和利用历史观测数据的关键信息，成功实现基于纹理和3D模型形状的物理性质扰动攻击，并证明其在不同领域中的广泛应用和攻击性能。

May, 2020

提出RobustNav框架，旨在评估具有鲁棒性的导航代理的性能，并在受到各种视觉和动态的影响下量化性能。通过系统分析在不同污染下使用标准导航代理产生的怪异行为，我们发现其中一些标准代理的表现明显下降。对于RobustNav中的视觉污染，虽然这些标准技术可以在零次抗阻和导航性能方面提供一些效果，但相对于干净的“无污染”设置还有很长的路要走，仍需要更多的研究。

Jun, 2021

该研究提出一种基于生成对抗网络（GAN）图像流形和物理世界的无梯度攻击方法，用于生成自然物理的对抗贴片以欺骗对目标物体检测器的分类。结果表明，该方法在数字和物理场景下均有效。

Mar, 2023

本文提出了一种跨模态物理攻击方法，在物理世界中通过统一的对抗性贴片欺骗可见光和红外物体探测器，在考虑到不同成像机制的情况下，通过设计新型的边界受限形状优化和考虑得分的迭代评估，成功地减少了多模式传感器的预测得分。

Jul, 2023

提出了一种全新的物理对抗攻击框架：具身对抗攻击（Embodied Adversarial Attack），通过感知-决策-控制的具身智能范式，实时动态调整最佳攻击策略以提高现实世界中物理对抗攻击的鲁棒性，特别适用于自动驾驶等复杂场景。

Dec, 2023

通过活跃的感知和反馈机制，Embodied Active Defense（EAD）开发了一种主动的防御策略，积极地上下文化环境信息来解决3D实际环境中的对抗修补问题，提高模型的鲁棒性。

Mar, 2024

提出了一种名为PAD的新颖的对抗贴纸定位和去除方法，该方法不需要先前知识或额外训练，提供了针对各种对抗贴纸的无关补丁防御，与任何预训练的物体检测器兼容。

Apr, 2024

改进了基于梯度的纹理优化方法，通过加入一个评估器实体并分析四种策略，使得NeRF对象渲染器可以学习到逼真且对抗性的纹理。结果表明，策略2和3对未来研究更具有潜力。

May, 2024

本研究解决了实体导航代理在安全关键环境中对深度神经网络对抗攻击的脆弱性问题。我们提出了一种通过可学习纹理和透明度的对抗补丁附着在物体上来实现的实用攻击方法，采用多视角优化策略显著提升了攻击的有效性，并通过优化透明度使补丁不易被人类观察者发现。实验结果表明，该方法的导航成功率下降约40%，在实用性、有效性和自然性方面优于之前的研究。

Sep, 2024