该论文提出了 Banshee，一种针对无人机（UAV）中基于云台稳定视觉跟踪系统的物理可实现攻击方法，通过声学注入诱导目标切换。现有研究表明声学信号可以干扰云台内部工作，但尚未充分探索对实际应用（如无人机跟踪与跟随）的影响。Banshee 利用云台-相机系统的声学漏洞，精心设计声学波形以产生优化对抗性云台振荡，从而引起方向性偏置的相机视角漂移，破坏帧间目标关联，使得机载跟踪器以高概率从原始目标切换到攻击者选定的对象，并偶尔导致目标丢失。在仿真中，针对两个商用云台系统和五个跟踪器，Banshee 实现了 93.6% 的成功率；在真实桌面和飞行黑盒攻击测试中，针对商用无人机在多种场景下总体攻击成功率达 95.5%。该研究揭示了声学与视觉之间的跨域漏洞，强调了云台系统和应用鲁棒性设计的必要性。代码已在 GitHub 开源。

该论文针对无人机系统面临的新型声学注入攻击进行了系统性研究，旨在揭示此类攻击的根本原理并设计相应的恢复机制。作者首先分析了无人机的惯性测量单元（IMU）在受到声波干扰时可能产生的异常输出，这种干扰可导致无人机姿态估计错误，进而影响飞行稳定性。通过建立声学注入的物理模型，论文明确了攻击频率、振幅与IMU误读之间的数学关系。在此基础上，提出了一种基于多传感器融合和异常检测的恢复方法，该方法利用加速度计与陀螺仪的冗余特性，在检测到声学干扰后动态调整传感器权重，并采用卡尔曼滤波对姿态进行修正。实验在多种商用无人机平台上进行，表明该方法能在不同声学攻击场景下有效恢复姿态估计精度，将飞行偏差降低80%以上。该研究不仅深化了对声学侧信道攻击的理解，还为构建鲁棒的无人机控制系统提供了实用策略。