自动驾驶中车道检测模型对物理世界对抗攻击的鲁棒性研究
计算机视觉与模式识别
2021-07-07 v1 密码学与安全
摘要
在 2017 年 TuSimple 车道检测挑战赛之后,其基于准确率和 F1 分数的评估已成为衡量车道检测方法性能的事实标准。本工作中,我们开展了首个大规模实证研究,评估自动驾驶中物理世界对抗攻击下最先进车道检测方法的鲁棒性。我们在自动驾驶场景下以常规评估和端到端评估对 4 类主要车道检测方法进行了评测,并讨论了各车道检测模型的安全性属性。我们证明常规评估无法反映端到端自动驾驶场景中的鲁棒性。结果表明,在常规指标上最鲁棒的模型在端到端评估中最为脆弱。尽管竞赛数据集及其指标在深度神经网络快速发展下对开发高性能车道检测方法起到了重要作用,但常规评估正变得过时,且指标与实际应用间的差距十分关键。我们希望本研究能帮助社区在构建更全面的车道检测模型评估框架上取得进一步进展。
引用
@article{arxiv.2107.02488,
title = {On Robustness of Lane Detection Models to Physical-World Adversarial Attacks in Autonomous Driving},
author = {Takami Sato and Qi Alfred Chen},
journal= {arXiv preprint arXiv:2107.02488},
year = {2021}
}