Lights, Camera, Attack: Exploiting Temporal HDR Fusion with Pulsed Light
该论文研究的是现代相机中普遍采用的「时域高动态范围（temporal HDR）融合」流水线所隐含的安全假设问题。时域 HDR 通过连续采集多张不同积分时间（曝光时间）的图像并将其融合为单张图像，从而提升在强弱光混合场景中的可见性。这一流程在
#autonomous-driving
共收录 23 条相关情报。
← 返回所有主题TrackFlood: Relocating Latency Attacks from NMS-Free Detectors to Real-Time Trackers
本文研究面向目标检测器的延迟攻击:攻击者目标不是篡改预测结果,而是让系统无法按时响应,针对自动驾驶等实时应用场景。传统 "sponge" 类延迟攻击依赖检测器端 NMS(非极大值抑制)的计算量随候选框数量增长这一瓶颈。而现代检测器通过一对一
Poster: FedWM-Guard: Thwarting Imagination Poisoning in Federated World Model-based Autonomous Driving
该论文聚焦联邦学习（FL）与世界模型（WM）结合用于自动驾驶（AD）这一新兴交叉场景。联邦世界模型自动驾驶（federated WM-AD）允许各车辆在不上传原始私有驾驶数据的前提下协同训练世界模型，从而获得更强的环境预测与规划能力；但论文
Worst-Case Hidden-Vehicle Trajectory Search in Spatiotemporal Occlusion Regions
在自动驾驶领域，遮挡区域造成的根本不确定性对安全构成重大挑战。现有方法通常基于逐帧假设进行传播，或针对预设的隐藏智能体预测来优化自车行为，但最坏的历史一致交互尚未得到充分探索。为此，作者提出了历史条件极小极大轨迹搜索（HC-MTS），将时间
Investigating Adversarial Robustness of Heterogeneous Cooperative Perception
本文研究异构协同感知（Heterogeneous Cooperative Perception, CP）的对抗鲁棒性问题。在此类系统中，传感器配置各异的联网车辆通过紧凑特征图共享空间感知，接收方使用学习到的翻译模块（translation
Illusion of Depth: Revealing Hidden Stereo Vision Vulnerabilities in Depth Estimation
该论文研究立体视觉（双目）相机在深度估计中的内在脆弱性，属于针对自动驾驶、无人机、机器人等自主系统感知层的安全研究。作者指出，立体相机的深度输出依赖像素采样与标定两个基础环节，这些环节本身存在缺陷：攻击者只需在场景中引入简单的重复图案，就能
Can We Use Arbitrary Objects to Attack LiDAR Perception in Autonomous Driving?
该论文研究自动驾驶系统中 LiDAR 感知面临的对抗性攻击问题。LiDAR 感知依赖深度神经网络，而 DNN 已被证明易受对抗样本影响。已有针对 LiDAR 的攻击在真实场景中普遍存在可行性、灵活性和隐蔽性不足。作者提出一种新型攻击框架，攻
PhyScout: Detecting Sensor Spoofing Attacks via Spatio-temporal Consistency.
本文提出 PhyScout，一个针对自动驾驶系统中传感器欺骗攻击的综合性防御框架。现有防御方法存在攻击类型覆盖有限、依赖 GPU 计算、检测延迟高以及边缘场景可解释性差等问题。PhyScout 的灵感来源于人类驾驶员通过环境时空一致性检查快
Interventional Root Cause Analysis of Failures in Multi-Sensor Fusion Perception Systems.
本文提出了一种名为干预式根因分析（IRCA）的新方法，用于定位自动驾驶系统（ADS）中多传感器融合（MSF）感知系统发生故障的根本原因。自动驾驶系统高度依赖多传感器融合来提升环境感知的准确性，但融合过程无法完全消除不确定性，多个模块的故障会
Revisiting Physical-World Adversarial Attack on Traffic Sign Recognition: A Commercial Systems Perspective.
交通标志识别（TSR）系统对于安全、正确的自动驾驶至关重要。近年来，学术界对TSR模型的物理世界对抗攻击研究显示出这类攻击具有低成本、高可部署性，并能造成严重后果（如隐藏关键交通标志或伪造虚假标志）。然而，现有研究大多仅在学术模型上评估攻击
Structured Driving-State Narratives for Small Language Model-Based GNSS Spoofing Detection
该研究针对自动驾驶汽车（AV）依赖 GNSS 定位而易受欺骗攻击的问题，提出了一种基于小语言模型（SLM）的 GNSS 欺骗检测与分类框架。与以往直接分析原始信号或车辆状态的方法不同，该框架将来自 GNSS 和其他传感源（如惯性测量单元、摄
GLST: Defending Confidence-Driven V2X Collaborative Perception Against Stealthy Multi-Attacker Feature Injection
本文研究了车联网（V2X）协同感知中的安全漏洞。协同感知通过连接车辆交换中间特征来提高自动驾驶感知能力，其中置信度驱动的稀疏通信仅传输感知关键的空间区域以降低带宽。然而，一旦协作方被攻陷，攻击者可以在高置信度或自车不确定区域注入恶意特征，这
On the Realism of LiDAR Spoofing Attacks against Autonomous Driving Vehicle at High Speed and Long Distance.
该论文针对自动驾驶车辆在高速度、远距离场景下LiDAR欺骗攻击的现实可行性展开研究。现有LiDAR欺骗攻击研究往往假设攻击者处于理想位置、无遮挡、目标静止等条件，忽视了真实道路环境中车辆高速行驶、距离远、多路径反射、大气衰减等物理因素对攻击
Demo: Security of Deep Learning based Automated Lane Centering under Physical-World Attack.
该论文演示了深度学习驱动的自动车道居中（ALC）系统在物理世界攻击下的安全性问题。ALC是高级辅助驾驶系统的关键功能，依赖深度学习模型进行车道线检测和车辆横向控制。作者提出了一种物理世界对抗性攻击方法，通过在车辆前方道路放置精心设计的贴纸图
Off the Rails: Hijacking the Scoring Head in Generative End-to-End Driving Planners with Safety-Violating Adversarial Perturbations
本文提出了一种名为 Derail 的对抗攻击框架，针对当前生成式端到端自动驾驶规划器中的评分头（scoring head）进行攻击。生成式规划器（如基于扩散去噪或词汇检索的模型）在推理时，通常会生成一组候选轨迹（锚点、词汇条目或提议查询），
Explainability-Aware Frustum Attack: Exposing Structural Vulnerabilities in LiDAR-Based 3D Object Detectors
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
DriveFuzz: Discovering Autonomous Driving Bugs through Driving Quality-Guided Fuzzing.
该论文提出了一种名为 DriveFuzz 的模糊测试工具，旨在自动发现自动驾驶系统（ADS）中的安全缺陷。自动驾驶系统通常依赖深度神经网络处理传感器数据并做出驾驶决策，但这类系统可能因异常输入（如传感器噪声、不规则路况）而表现出不安全行为。
ReasonBreak: Probing Vulnerabilities in Reasoning-Enabled Vision-Language-Action Models for Autonomous Driving
该论文首次系统性地研究了具有推理能力的视觉-语言-动作（VLA）模型在自动驾驶场景下对现实输入扰动的鲁棒性。以往研究多假设推理与轨迹生成紧密耦合且鲁棒，但实际场景中存在各种文本输入噪声（如传感器错误、环境描述歧义等）。作者以NVIDIA最新
Systematic Discovery of Semantic Attacks in Online Map Construction through Conditional Diffusion
本文提出 MIRAGE 框架，用于系统性地发现针对自动驾驶在线高清地图构建的语义攻击。自动驾驶车辆依赖高清地图感知车道线、分隔带、人行横道等安全关键元素，现有像素扰动攻击易被标准对抗防御（如对抗训练）中和。MIRAGE 利用扩散模型学习到的
Still Camouflage, Moving Illusion: View-Induced Trajectory Manipulation in Autonomous Driving
本文提出了一种针对基于视觉的自动驾驶系统的新型物理对抗攻击范式。现有物理攻击通常需要复杂的补丁或动态变化的图案，以在不同的视角下保持欺骗效果，而本文反其道而行之，将视角变化本身转化为攻击工具。攻击者只需在目标车辆上安装一个静态的、被动的对抗