立体相机凭借成本优势被广泛应用于自动驾驶、无人机与机器人平台，用于替代昂贵的激光雷达完成高精度深度估计。本文揭示了一个源自像素采样与标定流程的立体视觉内在脆弱性：该脆弱性会直接影响立体匹配算法的输出，使攻击者仅借助简单的重复图案即可对真实障碍物的估计深度实施细粒度操控，而无需依赖复杂的对抗机器学习技术；基于深度学习的深度估计模型也表现出类似问题。作者在多种目标上评估了影响范围，包括两种主流立体匹配算法(BM、SGBM)、三种深度学习模型(PSMNet、MoCha-Stereo、UniMatch)、一个立体-激光雷达融合模型(SGM-DDC)，以及两款商用立体相机 ZED2 与 Intel RealSense D435。以 ZED2 为例，攻击者可使障碍物深度被推远至多 20 米或拉近至多 12 米。在真实道路场景中，持续约 0.5 秒的干扰即可触发某主流自动驾驶框架的紧急制动；作者还借助 CARLA 在最高 40 km/h 车速下验证了可行性。最后，作者确认现有先进防御手段在该场景下无效，并提出一种利用相似度分数动态检测并抑制深度偏差的新策略。该工作凸显了立体匹配与深度学习深度估计中隐藏的安全隐患，指出自主系统部署中亟需弥补的关键短板。