論文の概要: Temporal Consistency Checks to Detect LiDAR Spoofing Attacks on Autonomous Vehicle Perception

• arxiv url: http://arxiv.org/abs/2106.07833v1
• Date: Tue, 15 Jun 2021 01:36:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-17 05:16:02.454570
• Title: Temporal Consistency Checks to Detect LiDAR Spoofing Attacks on Autonomous Vehicle Perception
• Title（参考訳）: 自動運転車のLiDAR攻撃検出のための時間的一貫性チェック
• Authors: Chengzeng You, Zhongyuan Hau, Soteris Demetriou
• Abstract要約: 最近の研究は、深刻なLiDARスプーフィング攻撃と警告的な結果をもたらしている。 本研究では、このような攻撃を検出するために、本物の物体の物理的不変量としての運動の利用について検討する。 3D-TC2の試作機の設計と実装は、非常に有望な性能を示している。
• 参考スコア（独自算出の注目度）: 4.092959254671909
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiDAR sensors are used widely in Autonomous Vehicles for better perceiving the environment which enables safer driving decisions. Recent work has demonstrated serious LiDAR spoofing attacks with alarming consequences. In particular, model-level LiDAR spoofing attacks aim to inject fake depth measurements to elicit ghost objects that are erroneously detected by 3D Object Detectors, resulting in hazardous driving decisions. In this work, we explore the use of motion as a physical invariant of genuine objects for detecting such attacks. Based on this, we propose a general methodology, 3D Temporal Consistency Check (3D-TC2), which leverages spatio-temporal information from motion prediction to verify objects detected by 3D Object Detectors. Our preliminary design and implementation of a 3D-TC2 prototype demonstrates very promising performance, providing more than 98% attack detection rate with a recall of 91% for detecting spoofed Vehicle (Car) objects, and is able to achieve real-time detection at 41Hz
• Abstract（参考訳）: LiDARセンサーは、より安全な運転決定を可能にする環境をよりよく知覚するために、Autonomous Vehiclesで広く使用されている。 最近の研究は、深刻なLiDARスプーフィング攻撃と警告的な結果を示している。 特にモデルレベルのlidarスプーフィング攻撃は、3dオブジェクト検出器によって誤って検出されたゴーストオブジェクトに偽の深さ測定を注入することを目的としている。 本研究では,そのような攻撃を検出するために,実物体の物理的不変量としての運動の利用について検討する。 そこで本研究では,動作予測から時空間情報を利用して3次元物体検出器によって検出された物体の検証を行う3次元時間一貫性チェック(3D-TC2)を提案する。 3D-TC2プロトタイプの予備設計と実装は、非常に有望な性能を示し、98%以上の攻撃検出率を提供し、スプーフされた車両(Car)物体を91%リコールし、41Hzでリアルタイムに検出できる。

関連論文リスト

• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• AdvMono3D: Advanced Monocular 3D Object Detection with Depth-Aware Robust Adversarial Training [64.14759275211115]
  そこで本研究では,DART3Dと呼ばれるモノクル3次元物体検出のための,深度対応の頑健な対向学習法を提案する。 我々の敵の訓練アプローチは、本質的な不確実性に乗じて、敵の攻撃に対する堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-09-03T07:05:32Z)
• FocalFormer3D : Focusing on Hard Instance for 3D Object Detection [97.56185033488168]
  3次元物体検出における偽陰性(False negatives, FN)は、自動運転において潜在的に危険な状況を引き起こす可能性がある。 本研究では,マルチステージ方式でtextitFN を識別する汎用パイプラインである Hard Instance Probing (HIP) を提案する。 この手法をFocalFormer3Dとしてインスタンス化する。
  論文  参考訳（メタデータ） (2023-08-08T20:06:12Z)
• A Comprehensive Study of the Robustness for LiDAR-based 3D Object Detectors against Adversarial Attacks [84.10546708708554]
  3Dオブジェクト検出器は、セキュリティクリティカルなタスクにおいてますます重要になっている。 敵の攻撃に対する強固さを理解することが不可欠である。 本稿では,LiDARをベースとした3次元検出器の対角攻撃時のロバスト性評価と解析を行った。
  論文  参考訳（メタデータ） (2022-12-20T13:09:58Z)
• Spatial-Temporal Anomaly Detection for Sensor Attacks in Autonomous Vehicles [1.7188280334580195]
  飛行時間(ToF)距離測定装置は、スプーフィング、トリガー、偽データインジェクション攻撃に対して脆弱である。 残差空間検出器と時間に基づく予測変化検出を組み込んだ時空間異常検出モデルtextitSTAnDSを提案する。
  論文  参考訳（メタデータ） (2022-12-15T12:21:27Z)
• Detecting and Identifying Optical Signal Attacks on Autonomous Driving Systems [25.32946739108013]
  攻撃対象のセンサーを検知・識別する枠組みを提案する。 具体的には、3つのセンサーからなるシステムに対する攻撃を検知する新しい手法を最初に開発する。 本研究では,実データと最先端機械学習モデルを用いて,攻撃検出手法の評価を行う。
  論文  参考訳（メタデータ） (2021-10-20T12:21:04Z)
• Fooling LiDAR Perception via Adversarial Trajectory Perturbation [13.337443990751495]
  移動車両から集められたLiDARポイント雲は、歪みを避けるためにセンサーの動きを補償する必要があるため、その軌道の機能です。 その結果、深層学習とGPSによる車両軌道推定の両面から、運動補償は広範に開放されたバックドアになるのだろうか? 我々は、初めてこのような可能性を示す: 生のLiDARの読みを改ざんする必要のある点雲座標を直接攻撃するのではなく、小さな摂動で自動運転車の軌道を逆さまに振るだけで十分である。
  論文  参考訳（メタデータ） (2021-03-29T04:34:31Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• Object Removal Attacks on LiDAR-based 3D Object Detectors [6.263478017242508]
  オブジェクト除去攻撃(ORAs)は、3Dオブジェクト検出器を失敗させることを目的としている。 関心領域の摂動点雲に対して、1方向に1つの戻り信号を記録するLiDARのデフォルト設定を利用する。 その結果,この攻撃は一般的な3次元物体検出モデルの性能低下に有効であることがわかった。
  論文  参考訳（メタデータ） (2021-02-07T05:34:14Z)
• Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
  本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。 特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。 これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
  論文  参考訳（メタデータ） (2020-04-01T16:11:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。