PLA-LiDAR: Physical Laser Attacks against LiDAR-based 3D Object Detection in Autonomous Vehicle.
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
#autonomous-vehicle
共收录 8 条相关情报。
← 返回所有主题Secure Long-Range Autonomous Valet Parking: A Reservation Scheme With Three-Factor Authentication and Key Agreement
远程自主代客泊车（LAVP）系统旨在缓解城市交通拥堵与停车困难，但大规模停车需求下的预约服务面临身份合法性和通信安全方面的挑战。现有方案大多聚焦于停车请求验证和入场检查，未能充分保护乘客上下车过程中的身份认证与会话安全。针对这一问题，论文提
Discovering Adversarial Driving Maneuvers against Autonomous Vehicles.
该论文针对自动驾驶车辆（AV）面临的新型安全威胁展开研究，聚焦于对抗性驾驶动作（Adversarial Driving Maneuvers）。传统上，对抗性攻击多针对感知系统（如摄像头、LiDAR）的输入扰动，而本文提出一种从车辆控制与规划
Development of Vision-Language Model-based GNSS Spoofing Detection for Autonomous Vehicle Navigation
该论文针对自动驾驶汽车（AV）依赖全球导航卫星系统（GNSS）进行定位和导航，易受欺骗攻击（如轨迹重定向、急停等）的问题，提出了首个基于视觉-语言模型（VLM）的GNSS欺骗检测框架。方法创新地融合了前置摄像头视觉数据与车载传感器读数（速度
AE-Morpher: Improve Physical Robustness of Adversarial Objects against LiDAR-based Detectors via Object Reconstruction.
该论文提出一种名为AE-Morpher的方法，旨在提高对抗性物体对基于LiDAR的检测器的物理鲁棒性。在自动驾驶等安全关键应用中，LiDAR传感器常被用于环境感知，而对抗性攻击（如通过修改物体外观欺骗检测器）在数字域已被广泛研究，但在物理域
Securing Autonomous Vehicle Systems via Twin-Aware Federated Reinforcement Learning
本文提出一种针对联邦强化学习（FRL）系统的安全防御框架SecAgg+，旨在保护安全关键的自动驾驶场景中的FRL模型免受投毒攻击。联邦强化学习允许多个智能体协同学习而不共享原始数据，从而增强隐私和可扩展性，但现存投毒攻击可通过注入恶意系统参
The Spectrum Strikes Back: Infrared POV Attacks on Traffic Sign Classification
本文提出了一种针对自动驾驶汽车交通标志分类任务的物理对抗攻击方法。传统的物理对抗攻击通常通过在交通标志上粘贴贴纸或投射可见光扰动，虽然有效但容易被人类察觉。本文作者利用近红外光谱（NIR）和视觉暂留（Persistence of Visio
In-Progress: Enhancing Traffic Signal Perception for Connected and Autonomous Vehicles (CAVs) via Multi-Sensor Fusion of Camera, LiDAR, Radar, and SPaT Data.
该论文探讨了如何通过多传感器融合技术提升联网和自动驾驶车辆（CAVs）对交通信号的感知能力。传统方案依赖单一传感器（如摄像头）检测信号灯，易受光照、天气等环境因素影响。作者提出一种融合摄像头、LiDAR、雷达以及SPaT（信号相位与时序）数