自动驾驶中基于鸟瞰图表示的3D目标检测鲁棒性研究
计算机视觉与模式识别
2023-09-19 v2 密码学与安全
摘要
3D目标检测是自动驾驶中理解环境的一项基础感知任务。鸟瞰图(Bird's-Eye-View, BEV)表示显著提升了基于相机输入的3D检测器在主流基准上的性能。然而，目前仍缺乏对这些依赖视觉的BEV模型鲁棒性的系统性理解，而这直接关系到自动驾驶系统的安全性。本文中，我们在广泛设置下评估了多种代表性模型在自然与对抗条件下的鲁棒性，以充分理解其与无BEV模型相比、受显式BEV特征影响的行为。除经典设置外，我们提出一种3D一致补丁攻击，通过在3D空间中施加对抗补丁以保证时空一致性，更贴合自动驾驶场景的实际。大量实验得出若干发现：1) 得益于具表达力的空间表示，BEV模型在不同自然条件和常见腐蚀下比先前方法更稳定；2) BEV模型更易受对抗噪声攻击，主要由冗余的BEV特征导致；3) 相机-激光雷达融合模型在多模态输入下各设置中均具优越性能，但BEV融合模型仍易受点云与图像两类对抗噪声攻击。这些发现警示了BEV检测器应用中的安全问题，并可促进更鲁棒模型的发展。
引用
@article{arxiv.2303.17297,
title = {Understanding the Robustness of 3D Object Detection with Bird's-Eye-View Representations in Autonomous Driving},
author = {Zijian Zhu and Yichi Zhang and Hai Chen and Yinpeng Dong and Shu Zhao and Wenbo Ding and Jiachen Zhong and Shibao Zheng},
journal= {arXiv preprint arXiv:2303.17297},
year = {2023}
}
备注
8 pages, CVPR2023