DoubleStar：针对自主系统中基于深度估计的避障的长距离攻击
密码学与安全
2021-10-08 v1 人工智能
计算机视觉与模式识别
摘要
基于深度估计的避障已被自主系统（无人机与车辆）广泛采用以保障安全。它通常依赖立体相机自动检测障碍物并做出飞行/驾驶决策，例如在路径中障碍物前数米停车或远离检测到的障碍物。本文探讨了用于避障的基于立体视觉的深度估计算法相关的新的安全风险。通过利用深度估计算法中立体匹配的弱点以及光学成像中的镜头眩光效应，我们提出 DoubleStar，一种通过从两个互补光源投射纯光来注入虚假障碍物深度的长距离攻击。DoubleStar 包含两种独特的攻击形式：光束攻击与光球攻击，分别利用投射的光束与镜头眩光光球来造成错误的深度感知。我们成功攻击了两种为自主系统设计的商用立体相机（ZED 与 Intel RealSense）。立体相机感知到的虚假深度的可视化说明了 DoubleStar 引发的错误立体匹配。我们进一步使用 Ardupilot 模拟该攻击并展示其对无人机的影响。为在真实系统上验证攻击，我们对配备最先进避障算法的商用无人机实施了真实世界攻击。我们的攻击可在各种光照条件下使飞行中的无人机在长距离上持续突然停车或漂移偏离，甚至绕过传感器融合机制。具体而言，实验结果表明 DoubleStar 在夜间可制造最远 15 米的虚假深度，在白天可达 8 米。为缓解这一新发现的威胁，我们讨论了抵御 DoubleStar 的潜在对策。
引用
@article{arxiv.2110.03154,
title = {DoubleStar: Long-Range Attack Towards Depth Estimation based Obstacle Avoidance in Autonomous Systems},
author = {Ce Zhou and Qiben Yan and Yan Shi and Lichao Sun},
journal= {arXiv preprint arXiv:2110.03154},
year = {2021}
}