本文提出了一种针对自动驾驶车辆中基于LiDAR的三维目标检测系统的物理激光攻击方法。研究背景是：现有对LiDAR点云欺骗的研究大多在数字域进行，缺乏物理可实现性。作者设计了一个激光收发器，能够注入多达4200个点，比此前工作高20倍，并能测量受害者LiDAR的扫描周期以同步注入信号。通过将点云坐标转换为控制信号的方法，以及考虑LiDAR物理特性和攻击能力约束的对抗点云优化方法，实现了在物理世界中向受害者LiDAR注入具有期望形状的欺骗点云。论文展示了四种攻击类型：简单隐藏、基于记录的创建、基于优化的隐藏和基于优化的创建。实验针对两款商用LiDAR和三种检测器验证了攻击有效性，并从传感器和自动驾驶系统层面讨论了防御策略。该研究揭示了LiDAR感知链路在物理层面的安全脆弱性，对自动驾驶安全设计具有重要参考价值。

该论文研究了基于点云的3D目标检测器在复杂场景下的结构脆弱性。现有工作主要关注孤立3D模型的对抗鲁棒性，而最近的LiDAR欺骗攻击虽然针对真实驾驶场景，但侧重于物理可实现性，未深入分析检测器的行为模式或攻击效率。本文提出一种可解释性引导的对抗分析方法：首先提出Saliency-LiDAR（SALL）方法，通过聚合跨场景的积分梯度归因，生成适用于LiDAR 3D目标检测器的通用显著性图；然后基于该图设计可解释性感知的视锥攻击（EFA），仅扰动对检测结果影响最大的视锥区域，而非均匀攻击整个目标区域。在KITTI和nuScenes数据集上，针对PointPillars和SECOND等检测器的实验表明，EFA在减少15个百分点以上检测召回率的同时，所需扰动的视锥数量比现有非显著性基线少25%-50%。这些发现揭示了现代3D检测器的判别证据集中于少量空间子区域，暴露了当前LiDAR感知系统中的结构性鲁棒性漏洞。代码已开源。