面向自动驾驶中规格扰动的三维障碍物检测鲁棒性评估

自动驾驶系统（ADS）依赖摄像头和激光雷达（LiDAR）等实时传感器数据，利用深度神经网络进行时间关键型决策。这些决策的准确性对自动驾驶系统的广泛采用至关重要，因为错误可能导致严重后果。特别是三维障碍物检测，对来自各种来源的点云数据（PCD）噪声非常敏感。然而，当前三维障碍物检测模型在面对基于规格的扰动时的鲁棒性尚未得到评估。这些扰动源自激光雷达传感器的规格以及先前关于激光雷达捕捉不同颜色和材质物体能力的研究。它们可能表现为极其微妙的传感器噪声或特定于障碍物的扰动。为此，我们提出了SORBET，一个测试自动驾驶系统中三维障碍物检测模型对此类点云数据扰动的鲁棒性以评估其稳健性的框架。我们应用SORBET评估了五种经典三维障碍物检测模型的鲁棒性，其中包括一个来自工业级L4级自动驾驶系统（百度Apollo）的模型。此外，我们还研究了偏差的障碍物检测结果如何传播并负面影响轨迹预测。我们的评估强调了基于规格的扰动测试三维障碍物检测的重要性。我们发现，即使点云数据发生非常微小的变化（例如，移除两个点），也可能导致检测性能出现不可忽视的下降。此外，这种负面影响将进一步传播到其他模块，危及自动驾驶系统的安全。