論文の概要: SLACK: Attacking LiDAR-based SLAM with Adversarial Point Injections
- arxiv url: http://arxiv.org/abs/2504.03089v1
- Date: Thu, 03 Apr 2025 23:52:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-14 21:33:59.147619
- Title: SLACK: Attacking LiDAR-based SLAM with Adversarial Point Injections
- Title(参考訳): SLACK: 逆点注入によるLiDARベースのSLAM攻撃
- Authors: Prashant Kumar, Dheeraj Vattikonda, Kshitij Madhav Bhat, Kunal Dargan, Prem Kalra,
- Abstract要約: LiDARベースのSLAMに対する学習に基づく攻撃を研究する主な研究は存在しない。
本研究は,LiDARの品質を劣化させることなく,数点の点注入でLiDARスキャンを攻撃するための,エンド・ツー・エンドの深部生成敵モデルであるSLACKを提案する。
- 参考スコア(独自算出の注目度): 1.6567468717846674
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The widespread adoption of learning-based methods for the LiDAR makes autonomous vehicles vulnerable to adversarial attacks through adversarial \textit{point injections (PiJ)}. It poses serious security challenges for navigation and map generation. Despite its critical nature, no major work exists that studies learning-based attacks on LiDAR-based SLAM. Our work proposes SLACK, an end-to-end deep generative adversarial model to attack LiDAR scans with several point injections without deteriorating LiDAR quality. To facilitate SLACK, we design a novel yet simple autoencoder that augments contrastive learning with segmentation-based attention for precise reconstructions. SLACK demonstrates superior performance on the task of \textit{point injections (PiJ)} compared to the best baselines on KITTI and CARLA-64 dataset while maintaining accurate scan quality. We qualitatively and quantitatively demonstrate PiJ attacks using a fraction of LiDAR points. It severely degrades navigation and map quality without deteriorating the LiDAR scan quality.
- Abstract(参考訳): LiDARに学習ベースの手法が広く採用されているため、自動運転車は敵の攻撃に対して、対向的な \textit{point Injections (PiJ) を介して脆弱である。
ナビゲーションとマップ生成には深刻なセキュリティ上の課題がある。
批判的な性質にもかかわらず、LiDARベースのSLAMに対する学習に基づく攻撃を研究する主要な研究は存在しない。
本研究は,LiDARの品質を劣化させることなく,数点の点注入でLiDARスキャンを攻撃するための,エンド・ツー・エンドの深部生成敵モデルであるSLACKを提案する。
SLACK を容易にするために,比較的単純なオートエンコーダを設計した。
SLACKは、正確なスキャン品質を維持しながら、KITTIとCARLA-64データセットの最高のベースラインと比較して、‘textit{point Injections(PiJ)’タスクにおいて優れたパフォーマンスを示す。
我々は、LiDARの少数の点を用いたPiJ攻撃を質的かつ定量的に実証した。
LiDARスキャンの品質を劣化させることなく、ナビゲーションとマップの品質を著しく低下させる。
関連論文リスト
- Effective and Efficient Adversarial Detection for Vision-Language Models via A Single Vector [97.92369017531038]
Diverse hArmful Responses (RADAR) を用いた新しい laRge-scale Adervsarial 画像データセットを構築した。
そこで我々は,視覚言語モデル (VLM) の隠れ状態から抽出した1つのベクトルを利用して,入力中の良質な画像に対して対向画像を検出する,新しいiN時間埋め込み型AdveRSarial Image Detectction (NEARSIDE) 法を開発した。
論文 参考訳(メタデータ) (2024-10-30T10:33:10Z) - LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [50.808933338389686]
都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。
この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
論文 参考訳(メタデータ) (2024-10-07T15:07:56Z) - Improved LiDAR Odometry and Mapping using Deep Semantic Segmentation and
Novel Outliers Detection [1.0334138809056097]
高速移動プラットフォームのためのLOAMアーキテクチャに基づくリアルタイムLiDARオドメトリーとマッピングのための新しいフレームワークを提案する。
本フレームワークは,ディープラーニングモデルによって生成された意味情報を用いて,ポイント・ツー・ラインとポイント・ツー・プレーンのマッチングを改善する。
高速動作に対するLiDARオドメトリーのロバスト性に及ぼすマッチング処理の改善効果について検討した。
論文 参考訳(メタデータ) (2024-03-05T16:53:24Z) - ADoPT: LiDAR Spoofing Attack Detection Based on Point-Level Temporal
Consistency [11.160041268858773]
ディープニューラルネットワーク(DNN)は、自動運転車(AV)のためのLiDARベースの知覚システムにますます統合されている
我々は,攻撃者がLiDARデータに偽のオブジェクトを注入し,その環境を誤解釈して誤った判断を下すという,LiDAR偽造攻撃の課題に対処することを目指している。
ADoPT (Anomaly Detection based on Point-level Temporal consistency) は、連続するフレーム間の時間的一貫性を定量的に測定し、ポイントクラスタのコヒーレンシーに基づいて異常物体を同定する。
nuScenesデータセットを用いた評価では、アルゴリズムは様々なLiDARスプーフィング攻撃に対して効果的に対応し、低(低)を実現している。
論文 参考訳(メタデータ) (2023-10-23T02:31:31Z) - DELO: Deep Evidential LiDAR Odometry using Partial Optimal Transport [23.189529003370303]
リアルタイムLiDARベースのオドメトリーは、ロボットナビゲーション、一貫した3Dシーンマップの再構築、安全なモーションプランニングなど、多くのアプリケーションに必須である。
本稿では,フレーム間の正確な対応とモデルの予測不確実性(PU)を共同で学習し,LO予測を安全に保護するための証拠として,新しいディープラーニングベースのリアルタイム(約35~40ms/fps/fps/fps/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s /s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s
提案手法をKITTIデータセット上で評価し,最近の最先端手法よりも優れた一般化能力を有する競争性能を示す。
論文 参考訳(メタデータ) (2023-08-14T14:06:21Z) - 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) - Detecting the Anomalies in LiDAR Pointcloud [8.827947115933942]
逆の気象条件は、LiDARが散乱ノイズ点や異常強度値などの異常なパターンを持つ点雲を発生させる可能性がある。
そこで本研究では,LiDARが点雲特性を解析して異常点雲を発生しているかどうかを検知する手法を提案する。
論文 参考訳(メタデータ) (2023-07-31T22:53:42Z) - On the Exploitability of Instruction Tuning [103.8077787502381]
そこで本研究では,モデルの動作を変えるための命令チューニングを,相手がどのように活用できるかを検討する。
自動データ中毒パイプラインである textitAutoPoison を提案する。
結果から、AutoPoisonは、少数のデータだけを中毒することで、敵がモデルの振る舞いを変えることを可能にする。
論文 参考訳(メタデータ) (2023-06-28T17:54:04Z) - LiDAR Spoofing Meets the New-Gen: Capability Improvements, Broken
Assumptions, and New Attack Strategies [26.9731228822657]
最近の研究では、LiDARに対して悪意のあるレーザーを発射することで、LiDAR点雲とばかげた物体検出器を操作できることが判明した。
9つのLiDARを持つ物体検出器に対するLiDARスプーフィング攻撃能の大規模測定を行った。
測定角度の新規性による新しいものだけでなく、この問題の領域における最新の理解に直接挑戦できるものも多数含まれている。
論文 参考訳(メタデータ) (2023-03-19T03:46:27Z) - How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。
本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。
我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
論文 参考訳(メタデータ) (2020-12-02T15:30:21Z) - SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural
Networks [81.64530401885476]
本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。
具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。
我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
論文 参考訳(メタデータ) (2020-10-19T09:23:39Z)
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。