Securing Edge & Physical AI: Post-Quantum IoT Blockchain for Mission-Critical Cyber-Physical Agents
Distributed Cyber-Physical Systems (CPS) and Edge AI networks increasingly depend on public-key authentication and key-e
#cs.RO
共收录 46 条相关情报。
← 返回所有主题Not an Accident: Exploiting Safety Filter Inadequacy in Humanoid Robots
As humanoid robots move from research laboratories toward deployment in human-centered environments such as homes, hospi
PhantomTac: Hijacking Robotic Tactile Systems with Deploy-and-forget Tags
Tactile perception is crucial for precise robotic manipulation, providing an important foundation for dexterous, closed-
Mission-Aware Attestation Envelopes for Time-Critical Autonomous Action: A Hardware-in-the-Loop V2I Study
An autonomous system that asks for a privileged physical action is usually gated on integrity evidence: a platform prove
Federated Bayesian Surveillance of Mechanical Thrombectomy Adverse Events: A Population Risk Layer for Surgical Digital Twins
Learned surgical simulators and world models can roll out plausible procedural futures, but they carry no grounded estim
Exploiting Vulnerabilities: Universal Adversarial Attacks on Vision-Language-Action Models in Robotics
该论文关注具身智能场景下视觉-语言-动作（Vision-Language-Action, VLA）模型的安全性。VLA 模型将视觉感知、语言指令理解与动作生成统一到端到端学习框架中，使机器人能够根据自然语言指令直接完成抓取、摆放等操作任务，
PlanGuard: A Guardrail for Multi-Step Plan Safety in Embodied Agents
具身智能体（embodied agent）在执行任务前通常会由任务规划器生成多步计划，而子任务之间的依赖关系以及与物理环境的交互，可能在执行过程中叠加出单步看起来无害、整体却具备物理危险性的组合风险。论文指出，现有防护手段存在明显盲区：通用
AuthGuard-R: Safety-Compliant Mission Hijacking and Dual-Gate Defense for LLM-Controlled Robots
该论文关注 LLM 作为机器人高层规划器（移动机器人、机械臂、自动驾驶车辆）时出现的一类被忽视的安全问题。现有研究已表明，这类系统可被恶意文本、语音、视觉指令、检索到的文档以及被污染的传感器上下文所影响，而当前大多数防御只回答一个问题：候选
ForgetMimic: Motion Unlearning for Reinforcement Learning Humanoid Control
本文关注强化学习（RL）人形机器人控制中的「运动遗忘」问题。近年来，借助人类动捕示范数据训练的策略已能让实体人形机器人完成多样化、敏捷且自然的运动（如舞蹈、格斗、翻腾等）。然而，一旦这些策略训练完成，如何从已学习的策略中定向「抹除」某几类特
ASGARD: Action-Space Guard for UAV Resilience via Reinforcement Learning
该论文关注基于强化学习（RL）的无人机（UAV）导航与控制器的运行时安全问题。近年来，RL 控制器因其在复杂机动与自主导航中的表现被广泛用于无人机控制，但这类策略存在一个关键且常被忽视的攻击面：动作空间攻击。攻击者并不篡改策略的观测输入，而
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
"Your Robot Was Trained on a Lie": Collision Mesh Poisoning Attacks on Robotic Manipulation
本研究聚焦于「基于学习的机器人操作」（learning-enabled robotic manipulation）在真实部署前普遍依赖机器人仿真器进行策略训练与评估这一流程。作者首先指出，现有3D资产中存在一种被合法且广泛使用的「视觉—碰撞
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
RobResilience: Implementing and Evaluating a Resilience Framework for Cyber-Physical Embodied Systems
该论文聚焦具身网络物理系统（embodied cyber-physical systems）在遭受主动网络攻击时的物理安全风险，指出一个被现有安全体系忽视的关键缺口：当前方法擅长"检测"攻击，却缺少运行时机制去判断"这次扰动是否可容忍"
Seeing is Not Believing: Breaking the Physical-to-Digital Trust Boundary in Robotics
在多机器人协作系统中，任务交接通常依赖下游验证器对机器人上报的传感器遥测数据进行远程证明，以确保物理行为与所分配任务严格一致。然而，论文作者对该信任链提出了质疑：这些遥测数据本身是否可信？本文揭示了一个存在于 Robot Operating
Seeing Less Is Not Seeing Safely: Privacy Leakage from Task-Scoped Robot Perception Exports
本文研究家庭机器人在仅在本地位保留原始传感器数据的情况下，其导出的结构化感知表示仍可能造成隐私泄露的问题。作者指出，即使原始数据不出本地，机器人为了导航、规划、云服务、日志或学习而导出的结构化表示，仍可通过语义、几何、空间结构和任务目标等维
GhostTac: Manipulating Tactile Sensors without Physical Contact
本文提出了一种名为 GhostTac 的新型攻击方法，首次实现了无需物理接触即可通过电磁干扰（EMI）操控机器人触觉传感器的输出。触觉传感器是现代机器人感知物理环境并实现精细操作的关键组件，但其物理层安全性此前鲜有研究。作者发现，EMI 信
Rigid-Covert GNSS Spoofing of UAV Swarms: A Structural Blind Spot, Its Detection Limit, and Absolute-Anchor Defenses
该研究针对无人机蜂群协同 GNSS 欺骗检测中一个被忽视的结构性盲点。常见的协同防御机制会利用机间距离/几何测量来交叉验证各无人机报告的 GNSS 位置, 但本文通过规范自由度论证指出: 如果攻击者对蜂群施加一个共同且缓慢变化的刚性平移 (
When Coordination Becomes a Threat: Communication Attacks in LLM-Controlled Multi-Robot Systems
本文针对大语言模型（LLM）作为高层规划器在具身多机器人系统中的应用，系统研究了多机器人协作中通信环节的安全威胁。以往研究主要关注单个机器人的安全性，对多机器人协同通信风险的理解不足，且现有工作仅针对去中心化多智能体系统（DMAS）架构进行
When Prompts Control Robots: Prompt Injection Attacks in Multi-Agent Robotic Systems
本文研究了大语言模型（LLM）被集成到自主机器人系统中进行任务规划与控制时面临的安全威胁，重点聚焦于提示注入攻击在多智能体机器人系统中的影响。随着LLM在机器人领域的广泛应用，攻击者可以通过注入恶意指令操纵机器人的决策，导致不安全行为甚至物