本文研究自动驾驶系统中热成像感知模块的安全性，重点关注热成像摄像头在物理世界攻击下的脆弱性。作者首先系统性地分析了热成像感知在自动驾驶中的应用场景，包括行人检测、车辆检测和障碍物识别等，并指出热成像传感器虽在低光照条件下具有优势，但其物理特性可能被恶意利用。研究提出了一种针对热成像感知的攻击方法，通过操纵环境温度或使用特定热源产生对抗性热模式，使热成像模型产生误判，如将行人识别为背景或车辆。文章进一步通过实验验证了攻击的有效性，在真实场景和仿真环境中展示了攻击对主流热成像目标检测算法的影响。为缓解此类风险，作者提出了包括对抗训练、输入验证和传感器融合在内的防御策略，并讨论了其有效性。该研究揭示了热成像感知在自动驾驶中的安全盲区，为设计鲁棒的多模态感知系统提供了重要参考。

本文针对自主AI代理可能执行具有重大影响且不可逆的操作（如临床处方和软件部署）这一现实问题，提出了一种新的治理模型。核心思想是借鉴人类社会中机构管理强大自主行动者的方式：不监控其推理过程，而是在关键行动点要求独立认证的证据。作者将这种制度模式形式化为一个计算治理模型。在该模型下，AI代理保留规划和推理的完全自主权，但对指定的高风险行动没有执行权。执行取决于一系列前提条件，每个条件由独立的权威来源认证，并与声明的意图进行密码学绑定，最后由确定性策略评估。决策结果记录在防篡改日志中，可供独立重新验证。论文提供了概念验证实现，并通过软件部署和临床处方两个案例进行说明。该研究为AI安全治理提供了一种新的视角，即通过分离决策与执行，引入外部独立验证机制，以降低自主决策风险。适合AI安全研究者、治理模型设计者和政策制定者阅读。

这篇海报论文提出了 Chronos，一种利用时间干扰作为攻击向量的新型攻击方法，针对自主网络物理系统（CPS）。CPS 的正常运行依赖于对物理世界的精确、及时感知与执行，时间属性是系统稳定性的关键。Chronos 攻击通过侵入系统中的一个非特权、非关键任务，对无人机和自动驾驶车辆平台发起时间干扰攻击。在开环和闭环测试中，攻击者能够在不利用任何软件漏洞的情况下，导致自主系统完全失控，撞向周围环境。为了深入理解这一攻击向量，研究者对这两个平台的定位组件进行了初步研究，因为它们都使用了依赖于来自不同传感器的多模态数据（对时间敏感）的同步定位与地图构建（SLAM）算法。基于案例分析，论文提出了时间攻击面的形式化描述，并指出了未来研究方向。该工作揭示了时间干扰作为一种独立于传统软件漏洞的攻击向量的潜力，对 CPS 安全设计提出了新的挑战。