对抗性VR：评估VR晕动症检测与缓解的对抗鲁棒性的开源测试平台

基于深度学习的自动化晕动症检测方法以及自适应缓解技术可以提升用户舒适度和交互体验。然而，近期研究表明这些基于深度学习的系统容易受到对抗攻击；传感器输入的小幅扰动可能降低模型性能、触发错误的缓解措施，并破坏用户的沉浸式体验。此外，缺乏专门的开源测试平台来评估这些系统在对抗条件下的鲁棒性，限制了评估其真实世界有效性的能力。为填补这一空白，本文引入了Adversarial-VR，一个新颖的实时VR测试平台，用于评估对抗条件下基于深度学习的晕动症检测与缓解策略。该测试平台基于Unity开发，集成了两个最先进的深度学习模型——DeepTCN和Transformer——它们在开源MazeSick数据集上训练，用于实时晕动症严重程度检测，并应用基于模型输出的动态视觉隧道机制来调整视场角。为评估鲁棒性，我们引入了三种最先进的对抗攻击——MI-FGSM、PGD和C&W——它们通过欺骗基于深度学习的晕动症模型输出，成功阻止了晕动症缓解措施的实施。我们使用自定义的VR迷宫模拟和HTC Vive Pro Eye头戴设备实现了这些攻击，并开源了我们的实现以供VR开发者和研究人员广泛采用。结果表明这些对抗攻击能够成功欺骗系统。例如，C&W攻击使基于Transformer的晕动症模型的准确率相比无攻击时降低了5.94倍。