该论文聚焦于自主系统中热成像感知链路的安全脆弱性。热像仪被广泛用于自动驾驶、无人机、机器人以及安防系统，在夜间或恶劣天气下提供关键的环境感知能力。然而，热成像感知对物理世界的攻击面研究尚不充分。作者系统性地分析了热成像感知流程中从传感器物理层到后端目标识别算法的各个环节，揭示了攻击者可通过刻意设计的热源或热干扰（例如热辐射操控、局部温度扰动）诱导感知模型产生错误输出，进而导致自主系统做出危险决策。论文提出了一个系统化的威胁建模框架，将热成像感知的脆弱性分类为不同层级，包括物理传感器、信号处理、特征提取和语义理解，并针对每一层级分析了可能的干扰向量。为了验证这些脆弱性，作者在真实测试平台上开展了实验，使用他们自行构建的热成像攻击测试床，评估了不同类型热干扰对目标检测、分类和跟踪任务的影响。实验结果显示，在特定条件下，攻击者能够使热成像系统对行人、车辆等关键目标的识别置信度显著下降，甚至完全漏检或错检。基于上述发现，论文进一步提出并评估了多种缓解策略，包括多种传感器数据融合、基于一致性的异常检测、对抗训练（在热域中增强训练数据）以及基于物理的防御机制。这些防御措施在实验中展现出一定的鲁棒性提升，但仍有其局限性。总体而言，该论文是首个系统研究热成像感知在自主系统中安全性的工作，为后续研究提供了理论基础、实验方法和防御方向，对自动驾驶安全、机器人安全以及相关物理世界AI系统安全有重要启示。适合自动驾驶安全工程师、AI安全研究员、传感器安全分析人员以及自主系统设计者阅读。

本文提出了一种名为HeatDeCam的新型隐藏摄像头检测方法，利用热辐射特性来定位隐藏的间谍摄像头。现有的检测方法通常需要物理接近或依赖可见光反射，难以应对隐藏摄像头的小型化和伪装。HeatDeCam通过分析摄像头工作时产生的热量辐射，使用热成像相机捕捉异常热点，结合机器学习模型区分摄像头与其他热源（如充电器、路由器）。研究团队在多种真实场景下进行了实验，包括酒店房间、办公室等，展示了该方法在不同距离和环境下的有效性。结果表明，HeatDeCam能够高精度地检测隐藏摄像头，且不受可见光条件限制，为隐私保护提供了一种全新的非接触式检测手段。