全不信任车辆协同感知中的高效对抗防御基于伪随机贝叶斯推断
计算机视觉与模式识别
2026-03-10 v1
摘要
协同感知 (CP) 使多个车辆通过交换特征级感知数据来增强彼此的感知能力。然而，这种融合机制在完全不信任车辆环境中天然易受对抗攻击。现有防御方法常以可信任的 ego 车辆作为参考或纳入额外的二进制分类器。这些假设限制了其在实际部署中的实用性，因为 ego 车辆的可信任性存疑，实时检测需求以及跨场景的普适性。为解决这些挑战，我们提出一种全新称为空不信任车辆 CP 专用的高效防御方法——伪随机贝叶斯推断 (PRBI) 框架。PRBI 通过利用时序感知差异来检测对抗行为，将前一帧可靠感知作为动态参考。此外，它采用伪随机分组策略仅需每帧两次验证，同时应用贝叶斯推断估计恶意车辆的数量和身份。理论分析证明了所提 PRBI 框架的收敛性和稳定性。广泛实验表明，PRBI 平均仅需 2.5 次每帧验证，显著优于现有方法，并将检测精度恢复到 79.4% 至 86.9% 的作战前水平。
引用
@article{arxiv.2603.08498,
title = {All Vehicles Can Lie: Efficient Adversarial Defense in Fully Untrusted-Vehicle Collaborative Perception via Pseudo-Random Bayesian Inference},
author = {Yi Yu and Libing Wu and Zhuangzhuang Zhang and Jing Qiu and Lijuan Huo and Jiaqi Feng},
journal= {arXiv preprint arXiv:2603.08498},
year = {2026}
}
备注
Accepted by CVPR 2026