PaniCar：应对紧急车辆灯光对高级驾驶辅助系统感知的安全威胁
计算机视觉与模式识别
2025-05-09 v1 机器学习
摘要
近年来，自动汽车的安全性备受质疑，尤其是已记录下 16 起配备自动驾驶辅助系统的特斯拉在与已停靠的紧急车辆（警车、救护车、消防车）碰撞的事故。虽然已有研究揭示强光源常在捕获图像中引入散射光斑 artifact，影响图像质量，但散射光对目标检测性能的影响尚不明了。本研究揭示了 PaniCar 现象：当暴露于已激活的紧急车辆灯光时，目标检测器的置信度得分会在低于检测阈值范围内波动。这一漏洞构成重大的安全风险，可能导致自动驾驶车辆在紧急车辆附近目标检测失败。此外，这一漏洞可被对手利用以破坏高级驾驶辅助系统（ADAS）的安全性。我们评估了七款商业 ADAS（特斯拉 Model 3、制造商 C、HP、Pelsee、AZDOME、Imagebon、Rexing）、四个目标检测器（YOLO、SSD、RetinaNet、Faster R-CNN），以及 14 种紧急车辆灯光模式，以了解不同技术与环境因素的影响。我们还评估了四种 SOTA 散射光去除方法，发现其性能和延迟不足以满足实时驾驶约束。为缓解此风险，我们提出了 Caracetamol，一个旨在增强目标检测器抗暴露于已激活紧急车辆灯光影响的鲁棒性的框架。我们的评估显示，在 YOLOv3 和 Faster RCNN 上，Caracetamol 将汽车检测的平均置信度提高 0.20，置信度下限提高 0.33，波动范围缩小 0.33。此外，Caracetamol 能以 30-50 FPS 的速度处理帧，实现实时 ADAS 汽车检测。
引用
@article{arxiv.2505.05183,
title = {PaniCar: Securing the Perception of Advanced Driving Assistance Systems Against Emergency Vehicle Lighting},
author = {Elad Feldman and Jacob Shams and Dudi Biton and Alfred Chen and Shaoyuan Xie and Satoru Koda and Yisroel Mirsky and Asaf Shabtai and Yuval Elovici and Ben Nassi},
journal= {arXiv preprint arXiv:2505.05183},
year = {2025}
}