具身激光攻击：利用场景先验实现基于智能体的鲁棒非接触式攻击

随着物理对抗攻击被广泛应用于发掘安全关键场景（尤其是动态场景）中的潜在风险，其对环境变化的脆弱性也暴露无遗。物理对抗攻击方法的非鲁棒特性导致其性能不够稳定。尽管 EOT 等方法增强了诸如对抗补丁等传统接触式攻击的鲁棒性，但它们在交通场景等动态环境中的实用性和隐蔽性方面存在不足。同时，非接触式激光攻击虽然提供了更强的适应性，但由于其属性的优化空间有限而面临限制，导致 EOT 效果不佳。这一局限性凸显了开发新策略以增强此类做法鲁棒性的必要性。为了解决这些问题，本文引入了具身激光攻击（ELA），这是一种利用感知-决策-控制具身智能范式来动态定制非接触式激光攻击的新颖框架。对于感知模块，鉴于通过全图变换模拟受害者视角的挑战，ELA 基于交通场景的内在先验知识创新性地开发了一个局部视角变换网络，实现了有效且高效的估计。对于决策与控制模块，ELA 采用数据驱动的强化学习训练攻击智能体，而非采用耗时的启发式算法，使其能够通过精心设计的奖励，利用感知到的信息瞬时确定有效的攻击策略，随后由可控激光发射器执行。在实验上，我们将该框架应用于数字和物理世界的各种交通场景，验证了我们的方法在动态连续场景下的有效性。