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，但在物理域中，由于视角、光照、遮挡等环境因素，对抗性攻击的有效性往往下降。AE-Morpher通过物体重建技术，将对抗性扰动融入物体的几何形状或材料属性中，使得对抗性物体在物理世界中具有更强的稳定性和可迁移性。具体来说，该方法利用可微渲染和3D重建技术，优化物体的表面纹理或形状，使其在不同视角和距离下均能有效欺骗LiDAR点云检测器。实验在多种LiDAR检测模型（如PointPillars、VoxelNet）和数据集上进行，结果表明，与现有物理对抗攻击方法相比，AE-Morpher生成的对抗性物体在物理模拟和真实世界中均表现出更高的攻击成功率和鲁棒性。该研究揭示了LiDAR检测器在物理世界中的潜在脆弱性，为设计更安全的自动驾驶系统提供了重要参考。

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案，成功欺骗ALC系统的车道线检测模型，导致车辆偏离车道或误判车道线位置。实验在真实车辆平台上进行，验证了攻击的有效性，并分析了攻击对车辆控制的影响。论文还讨论了现有防御机制的局限性，并提出了潜在的安全增强方向。该研究揭示了将深度学习模型部署于物理世界安全关键场景时面临的严峻挑战，强调了在自动驾驶系统开发中需纳入对抗性鲁棒性评估。