DisorientLiDAR：针对基于 LiDAR 的定位的物理攻击
计算机视觉与模式识别
2025-09-17 v1 人工智能
摘要
深度学习模型已被证明容易受到具有视觉不可感知扰动的对抗性攻击的影响。尽管这给自动驾驶汽车的定位带来了严重的安全挑战，但对此类攻击的探索仍然很少，因为大多数对抗性攻击都应用于 3D 感知。在这项工作中，我们提出了一种名为 DisorientLiDAR 的新型对抗性攻击框架，针对基于 LiDAR 的定位。通过对定位模型（例如特征提取网络）进行逆向工程，攻击者可以识别关键关键点并策略性地移除它们，从而破坏基于 LiDAR 的定位。我们的方案首先在 KITTI 数据集上使用三种最先进的点云配准模型（HRegNet、D3Feat 和 GeoTransformer）进行了评估。实验结果表明，移除包含 Top-K 关键点的区域会显著降低其配准精度。我们进一步在 Autoware 自动驾驶平台上验证了攻击的影响，在该平台中，仅隐藏少数关键区域就会引起明显的定位漂移。最后，我们通过使用近红外吸收材料隐藏关键区域，将攻击扩展到物理世界，从而成功复现了在 KITTI 数据中观察到的攻击效果。这一步向现实的物理世界攻击迈进，证明了我们方案的真实性与普适性。
引用
@article{arxiv.2509.12595,
title = {DisorientLiDAR: Physical Attacks on LiDAR-based Localization},
author = {Yizhen Lao and Yu Zhang and Ziting Wang and Chengbo Wang and Yifei Xue and Wanpeng Shao},
journal= {arXiv preprint arXiv:2509.12595},
year = {2025}
}