超越崩溃：为乐与利劫持你的自动驾驶车辆

自动驾驶车辆（AVs），尤其是基于视觉的 AVs，正快速部署且缺乏人类操作员。鉴于 AVs 在安全关键环境中运行，理解其在对抗环境下的鲁棒性是重要的研究问题。先前针对基于视觉的自动驾驶车辆的物理对抗攻击主要针对即时安全故障（如碰撞、违反交通规则或短暂车道偏离），通过诱发短暂的感知或控制错误来实现。本文揭示了一种质量不同的风险：长期路径完整性被劫持，其中攻击者逐步引导受害者 AV 偏离原本的路径，驾驶至攻击者指定的目的地，而受害者仍正常驾驶。这种情况本身不会危及受害者车辆，但会危及车内潜在乘客，因为他们可能没有注意到路径的变更。本文设计并实现了第一个对抗框架，名为 JackZebra，通过一辆配备可调显示屏和摄像头传感器的物理上合理的攻击车辆，对基于视觉的端到端驾驶堆栈进行路径级劫持。核心挑战在于时间持久性：对抗性影响必须在视点、光照、天气、交通以及受害者持续重规划的过程中保持有效，而不会引发显眼的故障。我们的关键洞见是将路径劫持视为闭环控制问题，并将对抗性补丁转换为可通过基于所观察受害者行为的交互式调整环路在线选择的驾驶原语。我们的在仿真和真实世界场景中的评估表明，JackZebra 能以高成功率成功劫持受害者车辆，使其偏离原路并驶向攻击者指定的地点。