严阵以待：一种用于 ICP 算法鲁棒性分析的基于学习的对抗攻击方法
机器人学
2025-09-10 v3 机器学习
摘要
本文提出了一种新方法，通过对激光雷达点云进行基于学习的最坏情况攻击，来评估迭代最近点 (ICP) 算法的鲁棒性。对于自主导航等安全关键应用，在部署前确保算法的鲁棒性至关重要。ICP 算法是基于激光雷达定位的标准方法，但其精度可能受到来自遮挡、恶劣天气或机械传感器问题等各种源的损坏测量的严重影响。不幸的是，ICP 复杂且迭代的特性使得评估其对损坏的鲁棒性具有挑战性。虽然已有努力创建具有挑战性的数据集并开发模拟以评估 ICP 的鲁棒性，但我们的方法侧重于寻找在特定位置由损坏测量可能产生的最大 ICP 误差。我们证明，基于扰动的对抗攻击可用于部署前识别地图上 ICP 特别容易受到测量损坏的位置。利用此类信息，自主机器人在部署时可以采取更安全的路径，以减轻测量被损坏的影响。所提出的攻击在广泛场景下超过 88% 的情况下优于基线方法。
引用
@article{arxiv.2403.05666,
title = {Prepared for the Worst: A Learning-Based Adversarial Attack for Resilience Analysis of the ICP Algorithm},
author = {Ziyu Zhang and Johann Laconte and Daniil Lisus and Timothy D. Barfoot},
journal= {arXiv preprint arXiv:2403.05666},
year = {2025}
}
备注
9 pages (6 content, 1 reference, 2 appendix). 7 figures, accepted to 2025 IEEE International Conference on Robotics and Automation (ICRA)