論文の概要: PhantomLiDAR: Cross-modality Signal Injection Attacks against LiDAR
- arxiv url: http://arxiv.org/abs/2409.17907v1
- Date: Thu, 26 Sep 2024 14:52:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-28 17:03:54.352059
- Title: PhantomLiDAR: Cross-modality Signal Injection Attacks against LiDAR
- Title（参考訳）: PhantomLiDAR:LiDARに対するクロスモダリティシグナル注入攻撃
- Authors: Zizhi Jin, Qinhong Jiang, Xuancun Lu, Chen Yan, Xiaoyu Ji, Wenyuan Xu,
- Abstract要約: 我々は,LiDAR出力を操作するために,意図的電磁干渉(IEMI)を注入するクロスモーダル信号注入攻撃の可能性を検討する。
我々は、ポイント干渉、ポイント注入、ポイント除去、さらにはLiDARパワーオフの観点からLiDAR出力を操作するPhantomLiDAR攻撃を提案する。
- 参考スコア（独自算出の注目度）: 20.11595090639998
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: LiDAR (Light Detection and Ranging) is a pivotal sensor for autonomous driving, offering precise 3D spatial information. Previous signal attacks against LiDAR systems mainly exploit laser signals. In this paper, we investigate the possibility of cross-modality signal injection attacks, i.e., injecting intentional electromagnetic interference (IEMI) to manipulate LiDAR output. Our insight is that the internal modules of a LiDAR, i.e., the laser receiving circuit, the monitoring sensors, and the beam-steering modules, even with strict electromagnetic compatibility (EMC) testing, can still couple with the IEMI attack signals and result in the malfunction of LiDAR systems. Based on the above attack surfaces, we propose the PhantomLiDAR attack, which manipulates LiDAR output in terms of Points Interference, Points Injection, Points Removal, and even LiDAR Power-Off. We evaluate and demonstrate the effectiveness of PhantomLiDAR with both simulated and real-world experiments on five COTS LiDAR systems. We also conduct feasibility experiments in real-world moving scenarios. We provide potential defense measures that can be implemented at both the sensor level and the vehicle system level to mitigate the risks associated with IEMI attacks. Video demonstrations can be viewed at https://sites.google.com/view/phantomlidar.
- Abstract（参考訳）: LiDAR(Light Detection and Ranging)は、精密な3次元空間情報を提供する自律走行のための重要なセンサーである。
以前のLiDARシステムに対する信号攻撃は主にレーザー信号を利用する。
本稿では,LiDAR出力を操作するために,意図的電磁干渉(IEMI)を注入するクロスモダリティ信号注入攻撃の可能性について検討する。
我々の見識では、LiDARの内部モジュール、すなわちレーザー受信回路、監視センサー、ビームステアリングモジュールは、厳密な電磁的互換性(EMC)テストであっても、IEMI攻撃信号とカップリングし、LiDARシステムの故障の原因となる。
上記の攻撃面に基づいて、ポイント干渉、ポイント注入、ポイント除去、さらにはLiDARパワーオフの観点からLiDAR出力を操作するPhantomLiDAR攻撃を提案する。
我々は,5つのCOTS LiDARシステム上でのシミュレーションおよび実世界の実験によりPhantomLiDARの有効性を評価し,実証した。
また,実世界の移動シナリオにおける実現可能性実験も実施する。
我々は、IEMI攻撃に伴うリスクを軽減するために、センサーレベルと車両システムレベルの両方で実施可能な潜在的な防衛対策を提供する。
ビデオデモはhttps://sites.google.com/view/phantomlidar.comで見ることができる。
関連論文リスト
- LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [50.808933338389686]
LiDARシミュレーションは、自動運転におけるクローズドループシミュレーションにおいて重要な役割を果たす。
都市景観におけるLiDARセンサスキャンをリアルタイムに再現するために,最初のLiDARガウス法であるLiDAR-GSを提案する。
我々の手法は、深度、強度、レイドロップチャンネルを同時に再現することに成功し、公開可能な大規模シーンデータセットにおけるフレームレートと品質の両方のレンダリング結果を達成する。
論文 参考訳（メタデータ） (2024-10-07T15:07:56Z) - Evaluating the Robustness of LiDAR-based 3D Obstacles Detection and Its Impacts on Autonomous Driving Systems [4.530172587010801]
我々は,LiDARセンサの組込み不正確さがLiDAR-3D障害物検出モデルに与える影響について検討した。
5つの古典的LiDAR-3D障害物検出モデルのロバスト性評価にETを適用した。
点クラウドデータの微妙な変化さえも、検出性能の非自明な低下をもたらす可能性がある。
論文 参考訳（メタデータ） (2024-08-24T19:10:07Z) - HeLiMOS: A Dataset for Moving Object Segmentation in 3D Point Clouds From Heterogeneous LiDAR Sensors [31.077897563786717]
3次元光検出・測光センサ(LiDAR)を用いた移動物体セグメンテーション(MOS)は,移動物体のシーン理解と識別に不可欠である。
我々は、異種LiDARセンサ4つでMOSアプローチをテストすることができる textitHeLiMOS というラベル付きデータセットを提案する。
論文 参考訳（メタデータ） (2024-08-12T17:44:33Z) - Multi-Modal Data-Efficient 3D Scene Understanding for Autonomous Driving [58.16024314532443]
我々は、異なるLiDARスキャンからレーザービーム操作を統合するフレームワークであるLaserMix++を導入し、データ効率の学習を支援するためにLiDAR-カメラ対応を組み込んだ。
結果は、LaserMix++が完全に教師付き代替よりも優れており、5倍のアノテーションで同等の精度を実現していることを示している。
この大幅な進歩は、LiDARベースの3Dシーン理解システムにおける広範囲なラベル付きデータへの依存を減らすための半教師付きアプローチの可能性を示している。
論文 参考訳（メタデータ） (2024-05-08T17:59:53Z) - Quantum secured LiDAR with Gaussian modulated coherent states [6.207058145190368]
古典的な信号に依存するLiDARシステムは、インターセプトと最近の偽造攻撃の影響を受けやすい。
本稿では,ガウス変調コヒーレント状態を用いた量子セキュアLiDARプロトコルを提案する。
論文 参考訳（メタデータ） (2023-08-23T14:45:39Z) - LiDAR View Synthesis for Robust Vehicle Navigation Without Expert Labels [50.40632021583213]
我々は、危険な位置で物理的に運転することなく、新しい視点からLiDAR点雲を合成することを提案する。
我々は、LiDARスキャンを入力とし、将来の軌跡を出力として予測するディープラーニングモデルを訓練する。
次に、この予測軌道にウェイポイントコントローラを適用して、エゴ車両のスロットルおよびステアリングラベルを決定する。
論文 参考訳（メタデータ） (2023-08-02T20:46:43Z) - Learning Moving-Object Tracking with FMCW LiDAR [53.05551269151209]
新たに開発したLiDARセンサである周波数変調連続波(FMCW)を用いた学習型移動物体追跡手法を提案する。
ラベルが与えられた場合,同じインスタンスから機能を埋め込みスペースにまとめて,異なるインスタンスから機能を分離してトラッキング品質を向上させる,対照的な学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-02T09:11:36Z) - Invisible for both Camera and LiDAR: Security of Multi-Sensor Fusion
based Perception in Autonomous Driving Under Physical-World Attacks [62.923992740383966]
本稿では,MDFに基づくADシステムにおけるセキュリティ問題の最初の研究について述べる。
物理的に実現可能な逆3Dプリントオブジェクトを生成し、ADシステムが検出に失敗してクラッシュする。
以上の結果から,攻撃は様々なオブジェクトタイプおよびMSFに対して90%以上の成功率を達成した。
論文 参考訳（メタデータ） (2021-06-17T05:11:07Z) - 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) - Towards Robust LiDAR-based Perception in Autonomous Driving: General
Black-box Adversarial Sensor Attack and Countermeasures [24.708895480220733]
LiDARをベースとした認識は、被害者の自動運転車の前で敵が偽の車両をスポークする攻撃に対して脆弱である。
我々は、現在のLiDARベースの知覚アーキテクチャの一般的な脆弱性を調査するための最初の研究を行う。
特定された脆弱性に基づいた最初のブラックボックススプーフィング攻撃を構築し、平均成功率の約80%を普遍的に達成した。
論文 参考訳（メタデータ） (2020-06-30T17:07:45Z) - 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。