Hi-ALPS：面向自动驾驶的六款基于 LiDAR 的目标检测系统鲁棒性实验定量评估
计算机视觉与模式识别
2025-05-27 v2 机器学习
摘要
激光雷达 (LiDAR) 是自动驾驶中不可或缺的传感技术，能够捕获高分辨率的三维数据。由于三维目标检测系统 (OD) 负责解释此类点云数据，在自动驾驶汽车的决策中发挥关键作用，因此此类系统必须对所有类型的扰动具有鲁棒性，需进行充分测试。一种方法是使用对抗样本，即在输入数据中施加小幅度、甚至高度精细的扰动，以改变 OD 的预测结果。这些扰动基于 OD 的弱点精心设计。然而，仅凭对抗样本难以定量评估 OD 的鲁棒性，因为若 OD 对某一攻击方法脆弱，难以判断是 OD 本身鲁棒性差，还是该攻击方法生成的对抗样本过于强大。本文贡献是 Hi-ALPS——基于层次化对抗样本的 LiDAR 扰动等级系统 (Hierarchical Adversarial-example-based LiDAR Perturbation Level System)，其中鲁棒性更好的 OD 必须抵御随扰动等级递增的挑战。为此，Hi-ALPS 逐级实现启发式方法及经典对抗样本方法。在一系列全面实验中，我们使用 Hi-ALPS 对六款最新三维 OD 的鲁棒性进行评估。实验结果表明，任一 OD 都不具备抵御所有 Hi-ALPS 等级的鲁棒性；人类观察者仍能正确识别被扰动目标是，表明这些扰动幅度较小。这一发现对 OD 的排名具有重要影响。为提升 OD 的鲁棒性，我们讨论了最新对策的适用性，并据此提出进一步的建议。
引用
@article{arxiv.2503.17168,
title = {Hi-ALPS -- An Experimental Robustness Quantification of Six LiDAR-based Object Detection Systems for Autonomous Driving},
author = {Alexandra Arzberger and Ramin Tavakoli Kolagari},
journal= {arXiv preprint arXiv:2503.17168},
year = {2025}
}