该论文研究了针对自动驾驶中LiDAR（激光雷达）目标检测的物理对抗性攻击与防御方法。作者提出了一种新型的物理对抗性攻击——影子攻击（Shadow Attack），通过在目标物体附近投射精心设计的阴影图案，使得LiDAR点云数据产生偏差，从而误导目标检测模型（如PointPillars、PV-RCNN等）产生误检或漏检。攻击者在物理世界中使用可编程投影仪或遮挡物实现阴影投射，攻击效果在真实场景中得到验证。为应对此类攻击，论文进一步提出了基于对抗训练的防御框架，通过在训练过程中引入阴影扰动样本，提升模型对阴影攻击的鲁棒性。实验结果表明，所提攻击能使模型检测精度下降超过50%，而防御方法可将对抗攻击成功率降低至10%以下。该工作首次系统研究了阴影作为物理对抗攻击媒介在LiDAR感知中的影响，揭示了自动驾驶感知系统的新安全威胁，并为防御此类攻击提供了有效思路。适合自动驾驶安全研究员、LiDAR感知算法开发者以及物理对抗攻击研究者阅读。