Adversarial Objects Against LiDAR-Based Autonomous Driving Systems

一时失言乱红尘 2023-01-16 09:53 141阅读 0赞

## Adversarial Objects Against LiDAR-Based Autonomous Driving Systems ##

### 文章目录 ###

*   *  Adversarial Objects Against LiDAR-Based Autonomous Driving Systems
     *   *  背景
         *  LiADAR-Adv
         *   *  内容
             *  LiADV-based detection流程
             *   *  LiDAR
                 *  Preprocessing phase
                 *  Machine learning model
                 *  Post-processing phase

### 背景 ###

自动驾驶系统不仅仅是基于图像的分类器，大多自动驾驶系统是通过LiDAR和RADAR设备来直接获取周围的3D环境的。这就带来了一些问题：  
1、LiDAR-based系统将3D形状映射成点云，然后将生成的点云输入到CNN模型。因此，我们不清楚形状扰动是如何影响生成点云的。  
2、预处理中LiADR点云是不可微的，所以无法直接使用之前的基于梯度的优化方法。  
3、扰动的空间是由限制的。首先，我们需要确保扰动的物体可以在真实世界中构建出来。然后，一个物体的有效的雷达扫描是一个受约束的点云子集，这使得扰动空间比没有限制的点云更小。

### LiADAR-Adv ###

#### 内容 ####

1、作者模拟了一个可微的LiDAR渲染器将扰动从3D物体映射到点云。  
2、通过可微的代理方法进行特征聚合。  
3、通过不同的损失函数确保生成的对抗3D物体的平滑性。

#### LiADV-based detection流程 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM2MDU5NjUz_size_16_color_FFFFFF_t_70]  
首先，一个LiDAR传感器捕获3D环境并生成原始点云，然后点云经过预处理之后被送入到决策模型M，最后，决策模型的输出被送入后处理阶段来得到最终的决策。

##### LiDAR #####

一个雷达传感器将扫描到的环境生成点云 X  ∈ \\in ∈ Rn x 4 , 其中包括3维坐标（uX, vX, wX）和一个强度指标 intX。

##### Preprocessing phase #####

之前LiDAR生成的点云经过预处理阶段后形成了feature map x  ∈ \\in ∈ RH x W x 8  。

##### Machine learning model #####

对 feature map进行特征映射

##### Post-processing phase #####

聚合之前model的输出并识别检测到的物体。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzM2MDU5NjUz_size_16_color_FFFFFF_t_70]: /images/20221022/d16629fb37f64f7b9b48cf7095885e09.png