针对跨道路用户的基于 LiDAR 跟踪的对抗攻击：鲁棒性评估与目标感知黑盒方法
计算机视觉与模式识别
2025-10-23 v3
摘要
在本研究中，我们深入探讨了基于神经网络的 LiDAR 点云跟踪模型在对抗攻击下的鲁棒性，这是一个经常为了追求性能提升而被忽视的关键方面。尽管这些模型采用了 Transformer 或 Bird's Eye View (BEV) 等先进架构，但它们往往忽视了在面对对抗攻击、领域偏移或数据损坏等挑战时的鲁棒性。相反，我们关注跟踪模型在对抗攻击威胁下的鲁棒性。我们首先建立了一个在 3D 目标跟踪背景下进行对抗攻击的统一框架，使我们能够全面研究白盒和黑盒攻击策略。对于白盒攻击，我们定制了特定的损失函数以适应各种跟踪范式，并将 FGSM、C\&W 和 PGD 等现有方法扩展到点云领域。在应对黑盒攻击场景时，我们引入了一种新颖的基于迁移的方法，即目标感知扰动生成（TAPG）算法，其双重目标是实现高攻击性能并保持低感知度。该方法采用启发式策略来强制执行稀疏攻击约束，并利用随机子向量分解来增强可迁移性。我们的实验结果揭示了先进跟踪方法在遭受黑盒和白盒攻击时的显著脆弱性，强调了在 LiDAR 点云跟踪模型设计中纳入对抗攻击鲁棒性的必要性。值得注意的是，与现有方法相比，TAPG 也在攻击有效性和扰动隐蔽性之间取得了最佳平衡。
引用
@article{arxiv.2410.20893,
title = {Adversarial Attacks on LiDAR-Based Tracking Across Road Users: Robustness Evaluation and Target-Aware Black-Box Method},
author = {Shengjing Tian and Xiantong Zhao and Yuhao Bian and Yinan Han and Bin Liu},
journal= {arXiv preprint arXiv:2410.20893},
year = {2025}
}