論文の概要: Hi-ALPS -- An Experimental Robustness Quantification of Six LiDAR-based Object Detection Systems for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2503.17168v2
• Date: Wed, 26 Mar 2025 06:24:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 13:21:37.377433
• Title: Hi-ALPS -- An Experimental Robustness Quantification of Six LiDAR-based Object Detection Systems for Autonomous Driving
• Title（参考訳）: Hi-ALPS -- 自律運転のための6つのLiDARに基づく物体検出システムのロバストネス定量化
• Authors: Alexandra Arzberger, Ramin Tavakoli Kolagari,
• Abstract要約: 3Dオブジェクト検出システム(OD)は、自動運転車の運転決定において重要な役割を果たす。 敵対的な例は、入力データの変化、すなわち偽造(falsify)、ODの予測において、小さな、時には洗練された摂動である。 異なる種類の摂動条件下で6つの最先端3D ODのロバスト性を定量化する。
• 参考スコア（独自算出の注目度）: 49.64902130083662
• License:
• Abstract: Light Detection and Ranging (LiDAR) is an essential sensor technology for autonomous driving as it can capture high-resolution 3D data. As 3D object detection systems (OD) can interpret such point cloud data, they play a key role in the driving decisions of autonomous vehicles. Consequently, such 3D OD must be robust against all types of perturbations and must therefore be extensively tested. One approach is the use of adversarial examples, which are small, sometimes sophisticated perturbations in the input data that change, i.e., falsify, the prediction of the OD. These perturbations are carefully designed based on the weaknesses of the OD. The robustness of the OD cannot be quantified with adversarial examples in general, because if the OD is vulnerable to a given attack, it is unclear whether this is due to the robustness of the OD or whether the attack algorithm produces particularly strong adversarial examples. The contribution of this work is Hi-ALPS -- Hierarchical Adversarial-example-based LiDAR Perturbation Level System, where higher robustness of the OD is required to withstand the perturbations as the perturbation levels increase. In doing so, the Hi-ALPS levels successively implement a heuristic followed by established adversarial example approaches. In a series of comprehensive experiments using Hi-ALPS, we quantify the robustness of six state-of-the-art 3D OD under different types of perturbations. The results of the experiments show that none of the OD is robust against all Hi-ALPS levels; an important factor for the ranking is that human observers can still correctly recognize the perturbed objects, as the respective perturbations are small. To increase the robustness of the OD, we discuss the applicability of state-of-the-art countermeasures. In addition, we derive further suggestions for countermeasures based on our experimental results.
• Abstract（参考訳）: 光検出とラング(LiDAR)は、高解像度の3Dデータをキャプチャできるため、自動運転に不可欠なセンサー技術である。 3Dオブジェクト検出システム(OD)は、そのようなポイントクラウドデータを解釈できるため、自動運転車の運転決定において重要な役割を果たす。 したがって、このような3D ODはあらゆる種類の摂動に対して堅牢でなければならない。 1つのアプローチは、小さな、時には洗練された摂動が入力データの変化、すなわち偽造(falsify)、すなわちODの予測に発生する逆例を使うことである。 これらの摂動はODの弱点に基づいて慎重に設計されている。 ODのロバスト性は、ある攻撃に対して脆弱である場合、ODのロバスト性に起因するか、攻撃アルゴリズムが特に強い逆の例を生成するかにより、一般的には、ODのロバスト性は定量化できない。 この研究の貢献はHi-ALPS(Hi-ALPS --hierarchical Adversarial-example-based LiDAR Perturbation Level System)である。 このようにして、Hi-ALPSレベルはヒューリスティックに続き、確立された逆例アプローチを順次実装する。 Hi-ALPSを用いた一連の包括的実験において、異なる種類の摂動下での6つの最先端3D ODの頑健さを定量化する。 実験の結果、ODはいずれもすべてのHi-ALPSレベルに対して堅牢ではないことが明らかとなった。 ODのロバスト性を高めるため,最先端対策の適用性について検討する。 また,実験結果に基づいて,さらなる対策を提案する。

関連論文リスト

• NumbOD: A Spatial-Frequency Fusion Attack Against Object Detectors [30.532420461413487]
  我々は様々な物体検出器(OD)に対する空間周波数核融合攻撃であるNummbODを提案する。 まず、ターゲットとするOD出力から高品質なバウンディングボックスを選択するために、デュアルトラック攻撃目標選択戦略を設計する。 我々は,予測ボックスのシフトと圧縮に指向性摂動を用い,分類結果を騙すために変更する。
  論文  参考訳（メタデータ） (2024-12-22T10:16:34Z)
• 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)
• Semi-supervised Anomaly Detection via Adaptive Reinforcement Learning-Enabled Method with Causal Inference for Sensor Signals [15.249261198557218]
  センサ信号の半教師付き異常検出は、スマート製造におけるシステムの信頼性確保に不可欠である。 本稿では,三重補足型因果強化学習モデル(Tri-CRLAD)を革新的に構築する。 7つのセンサ信号データセットに対する実験結果から、Tri-CRLADは9つの最先端のベースライン法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-05-11T06:10:05Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• 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)
• Estimating and Controlling for Equalized Odds via Sensitive Attribute Predictors [7.713240800142863]
  フェアネスのEOD(Emphequalized odds)定義について検討する。 センシティブな属性を持たない設定では、まず予測器のEDD違反に対して、厳密で計算可能な上限を提供する。 本稿では,新たな処理後修正法により,最悪のEODを確実に制御できることを実証する。
  論文  参考訳（メタデータ） (2022-07-25T19:56:02Z)
• Towards robust sensing for Autonomous Vehicles: An adversarial perspective [82.83630604517249]
  結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。 敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。 より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
  論文  参考訳（メタデータ） (2020-07-14T05:25:15Z)
• NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
  機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。 既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。 本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:39:07Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。