論文の概要: SA-Attack: Speed-adaptive stealthy adversarial attack on trajectory prediction

• arxiv url: http://arxiv.org/abs/2404.12612v1
• Date: Fri, 19 Apr 2024 03:51:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-22 16:15:12.881348
• Title: SA-Attack: Speed-adaptive stealthy adversarial attack on trajectory prediction
• Title（参考訳）: SA-Attack: 速度適応型ステルス対向攻撃による軌道予測
• Authors: Huilin Yin, Jiaxiang Li, Pengju Zhen, Jun Yan,
• Abstract要約: 軌道予測は、自動車両の安全な計画と航法に不可欠である。 本稿では,SA-Attack という高速適応型ステルス敵攻撃法を提案する。
• 参考スコア（独自算出の注目度）: 2.0183079253175724
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trajectory prediction is critical for the safe planning and navigation of automated vehicles. The trajectory prediction models based on the neural networks are vulnerable to adversarial attacks. Previous attack methods have achieved high attack success rates but overlook the adaptability to realistic scenarios and the concealment of the deceits. To address this problem, we propose a speed-adaptive stealthy adversarial attack method named SA-Attack. This method searches the sensitive region of trajectory prediction models and generates the adversarial trajectories by using the vehicle-following method and incorporating information about forthcoming trajectories. Our method has the ability to adapt to different speed scenarios by reconstructing the trajectory from scratch. Fusing future trajectory trends and curvature constraints can guarantee the smoothness of adversarial trajectories, further ensuring the stealthiness of attacks. The empirical study on the datasets of nuScenes and Apolloscape demonstrates the attack performance of our proposed method. Finally, we also demonstrate the adaptability and stealthiness of SA-Attack for different speed scenarios. Our code is available at the repository: https://github.com/eclipse-bot/SA-Attack.
• Abstract（参考訳）: 軌道予測は、自動車両の安全な計画と航法に不可欠である。 ニューラルネットワークに基づく軌道予測モデルは、敵攻撃に対して脆弱である。 以前の攻撃方法は高い攻撃成功率を達成したが、現実的なシナリオへの適応性や偽装の隠蔽を見落としている。 この問題に対処するため,SA-Attack という高速適応型ステルス逆攻撃法を提案する。 本手法は, 車両追従手法を用いて, 軌道予測モデルの感度領域を探索し, 対向軌道を生成する。 提案手法は, 軌道をスクラッチから再構築することで, 異なる速度シナリオに適応することができる。 将来の軌跡傾向と曲率制約を融合させることで、敵の軌跡の滑らかさを保証し、さらに攻撃のステルス性を確保することができる。 nuScenesとApolloscapeのデータセットに関する実証的研究は,提案手法の攻撃性能を実証している。 最後に、異なる速度シナリオに対するSA-Attackの適応性とステルス性を示す。 私たちのコードはリポジトリで利用可能です。

関連論文リスト

• Downstream Transfer Attack: Adversarial Attacks on Downstream Models with Pre-trained Vision Transformers [95.22517830759193]
  本稿では、事前訓練されたViTモデルから下流タスクへのこのような逆の脆弱性の伝達可能性について検討する。 DTAは攻撃成功率(ASR)が90%を超え、既存の手法をはるかに上回っていることを示す。
  論文  参考訳（メタデータ） (2024-08-03T08:07:03Z)
• A First Physical-World Trajectory Prediction Attack via LiDAR-induced Deceptions in Autonomous Driving [23.08193005790747]
  既存の攻撃は、被害者AVの予測モデルを損なう。 単点攻撃を実現するための新たな2段階攻撃フレームワークを提案する。 我々の攻撃は、最大63%の衝突率と、被害者AVの様々な有害反応を引き起こす。
  論文  参考訳（メタデータ） (2024-06-17T16:26:00Z)
• Certified Human Trajectory Prediction [66.1736456453465]
  交通予知は自動運転車に不可欠な役割を担っている。 本稿では,軌道予測作業に適した認証手法を提案する。 非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-20T17:41:35Z)
• Adversarial Backdoor Attack by Naturalistic Data Poisoning on Trajectory Prediction in Autonomous Driving [18.72382517467458]
  本稿では,軌道予測モデルに対する新たな逆バックドア攻撃を提案する。 我々の攻撃は、自然主義的、従って、新しい2段階のアプローチで作られた毒のサンプルを盗むことによって、訓練時に被害者に影響を及ぼす。 提案手法は,予測モデルの性能を著しく損なうおそれがあり,攻撃効果が高いことを示す。
  論文  参考訳（メタデータ） (2023-06-27T19:15:06Z)
• Practical Adversarial Attacks on Spatiotemporal Traffic Forecasting Models [9.885060319609831]
  既存の手法は信頼性が高く偏りのない予測環境を前提としており、必ずしも野生では利用できない。 我々は,すべてのデータソースを同時に攻撃する代わりに,現実的な敵攻撃フレームワークを提案する。 理論的には、敵の交通予測攻撃の最悪の性能境界を実証する。
  論文  参考訳（メタデータ） (2022-10-05T02:25:10Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• Projective Ranking-based GNN Evasion Attacks [52.85890533994233]
  グラフニューラルネットワーク(GNN)は、グラフ関連のタスクに対して、有望な学習方法を提供する。 GNNは敵の攻撃の危険にさらされている。
  論文  参考訳（メタデータ） (2022-02-25T21:52:09Z)
• Evaluating the Robustness of Semantic Segmentation for Autonomous Driving against Real-World Adversarial Patch Attacks [62.87459235819762]
  自動運転車のような現実のシナリオでは、現実の敵例(RWAE)にもっと注意を払わなければならない。 本稿では,デジタルおよび実世界の敵対パッチの効果を検証し,一般的なSSモデルのロバスト性を詳細に評価する。
  論文  参考訳（メタデータ） (2021-08-13T11:49:09Z)
• Adaptive Feature Alignment for Adversarial Training [56.17654691470554]
  CNNは通常、敵攻撃に対して脆弱であり、セキュリティに敏感なアプリケーションに脅威をもたらす。 任意の攻撃強度の特徴を生成するための適応的特徴アライメント(AFA)を提案する。 本手法は任意の攻撃強度の特徴を自動的に整列するように訓練されている。
  論文  参考訳（メタデータ） (2021-05-31T17:01:05Z)
• Nonlinear Model Based Guidance with Deep Learning Based Target Trajectory Prediction Against Aerial Agile Attack Patterns [0.0]
  深層学習に基づく軌道予測と非線形モデル予測制御を組み合わせた新しいミサイル誘導アルゴリズムを提案する。 目標加速度予測を用いた非線形モデルに基づく予測制御(NMPC-TAP)は,誤差距離の観点から比較すると有意に優れていた。
  論文  参考訳（メタデータ） (2021-04-06T13:20:36Z)

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。