针对基于 CNN 的 SLAM 算法的黑盒对抗攻击
机器人学
2025-06-02 v1 计算机视觉与模式识别
摘要
深度学习的持续进步推动了特征检测领域的显著进展，提升了同步定位与建图（SLAM）等任务的精度。然而，深度神经网络对对抗攻击的脆弱性仍是其在自主智能体导航等应用中可靠部署的挑战。尽管基于 CNN 的 SLAM 算法是一个不断发展的研究领域，但目前仍显著缺乏针对作为 SLAM 系统一部分的基于 CNN 的特征检测器的对抗攻击的全面介绍与检验。我们的工作引入了应用于输入 GCN-SLAM 算法的 RGB 图像的黑盒对抗扰动。我们在 TUM 数据集 [30] 上的发现表明，即使是中等规模的攻击也可导致高达 76% 的帧出现跟踪失败。此外，我们的实验突出了攻击深度而非 RGB 输入图像对 SLAM 系统造成的灾难性影响。
引用
@article{arxiv.2505.24654,
title = {Black-box Adversarial Attacks on CNN-based SLAM Algorithms},
author = {Maria Rafaela Gkeka and Bowen Sun and Evgenia Smirni and Christos D. Antonopoulos and Spyros Lalis and Nikolaos Bellas},
journal= {arXiv preprint arXiv:2505.24654},
year = {2025}
}
备注
9 pages, 8 figures