面向自动驾驶的在线 HD 图构建的非对称性漏洞与物理攻击

高清地图为自动驾驶系统提供精确的环境信息，这对于预测和规划至关重要。由于标注和维护成本高，近期研究转向使用 onboard 传感器数据进行在线 HD 图构建，提供更广的覆盖范围和更及时更新，适用于自动驾驶车辆。然而，在对抗条件下，在线图构建模型的鲁棒性尚未得到充分探讨。本文对在线图构建模型进行系统性漏洞分析，发现这些模型对预测对称道路结构存在内在偏差。在类似 fork 或 merge 的非对称场景中，这一偏差常导致模型误预测为与对侧镜像的直线边界。我们证明该漏洞在真实环境中可被可靠触发，通过遮挡或定向干扰实现。利用该漏洞，我们提出一种新型两阶段攻击框架，能够操控在线构建的地图。首先，该方法识别受害者自动驾驶车辆潜在路径上的易受攻击的非对称场景。随后，优化摄像头致盲攻击和对抗性贴纸攻击的地点和模式。在公开数据集上的评估表明，攻击可使地图精度下降最高达 9.9%，导致最高 44% 的受目标化路径不可达，并使不安全计划轨迹率升至 27%，导致与真实道路边界碰撞。这些攻击也在真实车辆测试平台上得到验证。我们进一步分析了对称性偏差的根源，归因于训练数据不平衡、模型架构和地图元素表示。本文是首个对在线图构建模型进行漏洞评估，同时首次提出针对其的数字和物理攻击。