論文の概要: PaniCar: Securing the Perception of Advanced Driving Assistance Systems Against Emergency Vehicle Lighting
- arxiv url: http://arxiv.org/abs/2505.05183v1
- Date: Thu, 08 May 2025 12:33:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-09 21:43:49.875992
- Title: PaniCar: Securing the Perception of Advanced Driving Assistance Systems Against Emergency Vehicle Lighting
- Title（参考訳）: PaniCar:緊急車両照明に対する高度な運転支援システムの認識の確保
- Authors: Elad Feldman, Jacob Shams, Dudi Biton, Alfred Chen, Shaoyuan Xie, Satoru Koda, Yisroel Mirsky, Asaf Shabtai, Yuval Elovici, Ben Nassi,
- Abstract要約: パニカー(PaniCar)は、物体検知器の信頼性スコアが、アクティベートされた緊急車両の照明にさらされると、検出しきい値以下に変動するデジタル現象である。
この脆弱性は重大な安全リスクをもたらし、自動運転車が緊急車両の近くで物体を検出するのに失敗する可能性がある。
本稿では,緊急車両照明に対する物体検知器のレジリエンスを高めるためのフレームワークであるCaracetamolを提案する。
- 参考スコア（独自算出の注目度）: 24.66689267891143
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The safety of autonomous cars has come under scrutiny in recent years, especially after 16 documented incidents involving Teslas (with autopilot engaged) crashing into parked emergency vehicles (police cars, ambulances, and firetrucks). While previous studies have revealed that strong light sources often introduce flare artifacts in the captured image, which degrade the image quality, the impact of flare on object detection performance remains unclear. In this research, we unveil PaniCar, a digital phenomenon that causes an object detector's confidence score to fluctuate below detection thresholds when exposed to activated emergency vehicle lighting. This vulnerability poses a significant safety risk, and can cause autonomous vehicles to fail to detect objects near emergency vehicles. In addition, this vulnerability could be exploited by adversaries to compromise the security of advanced driving assistance systems (ADASs). We assess seven commercial ADASs (Tesla Model 3, "manufacturer C", HP, Pelsee, AZDOME, Imagebon, Rexing), four object detectors (YOLO, SSD, RetinaNet, Faster R-CNN), and 14 patterns of emergency vehicle lighting to understand the influence of various technical and environmental factors. We also evaluate four SOTA flare removal methods and show that their performance and latency are insufficient for real-time driving constraints. To mitigate this risk, we propose Caracetamol, a robust framework designed to enhance the resilience of object detectors against the effects of activated emergency vehicle lighting. Our evaluation shows that on YOLOv3 and Faster RCNN, Caracetamol improves the models' average confidence of car detection by 0.20, the lower confidence bound by 0.33, and reduces the fluctuation range by 0.33. In addition, Caracetamol is capable of processing frames at a rate of between 30-50 FPS, enabling real-time ADAS car detection.
- Abstract（参考訳）: 自動運転車の安全性は近年精査されており、特にTesla(オートパイロットの関与)が駐車中の緊急車両(警察車、救急車、消防車)に衝突した16件の事件が記録されている。
従来の研究では、高輝度光源がキャプチャ画像にフレアアーティファクトを導入し、画質を低下させることがしばしばあったが、フレアが物体検出性能に与える影響はいまだ不明である。
本研究では,物体検知器の信頼性スコアが,アクティブな緊急車両の照明にさらされると検出しきい値以下に変動するデジタル現象であるPaniCarを公表する。
この脆弱性は重大な安全リスクをもたらし、自動運転車が緊急車両の近くで物体を検出するのに失敗する可能性がある。
さらに、この脆弱性は敵によって高度な運転支援システム(ADAS)のセキュリティを侵害するために悪用される可能性がある。
市販のADAS(Tesla Model 3 "製造者C", HP, Pelsee, AZDOME, Imagebon, Rexing), 4つのオブジェクト検出器(YOLO, SSD, RetinaNet, Faster R-CNN)と14の緊急車両照明パターンを評価し,各種技術および環境要因の影響を明らかにする。
また、4つのSOTAフレア除去法を評価し、その性能と遅延がリアルタイム運転制約に不十分であることを示す。
このリスクを軽減するために、我々は、アクティブな緊急車両照明に対する物体検出器のレジリエンスを高めるために設計された堅牢なフレームワークであるCaracetamolを提案する。
評価の結果, YOLOv3およびFaster RCNNでは, キャラセタモールは車検出の平均信頼度を0.20、低い信頼度を0.33、ゆらぎ範囲を0.33と改善した。
さらに、Caracetamolは30～50FPSの速度でフレームを処理でき、リアルタイムでADASを検知できる。
関連論文リスト
- V-CAS: A Realtime Vehicle Anti Collision System Using Vision Transformer on Multi-Camera Streams [0.0]
本稿では,リアルタイム衝突回避システム(V-CAS)を提案する。
V-CASは適応ブレーキによるリアルタイム衝突リスク評価と能動的緩和を可能にする。
その結果,従来の単カメラ法と比較して物体検出と追跡の大幅な改善,衝突回避の強化が示唆された。
論文 参考訳（メタデータ） (2024-11-04T10:39:15Z) - 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) - Discovering New Shadow Patterns for Black-Box Attacks on Lane Detection of Autonomous Vehicles [2.5539742994571037]
本稿では,実世界逆転例(AE)を創出するための新しいアプローチを提案する。
負の影: 戦略的に日光を遮り、人工車線のようなパターンを放つ道路上の光の偽りのパターン。
20メートルの負の影を使って、10mph以上の速度で100%違反率で車両をオフロードに誘導することができる。
衝突を引き起こすような他の攻撃シナリオは、少なくとも30mの負の影で実行でき、60-100%の成功率を達成することができる。
論文 参考訳（メタデータ） (2024-09-26T19:43:52Z) - Exploring Adversarial Robustness of LiDAR-Camera Fusion Model in
Autonomous Driving [17.618527727914163]
本研究では,LiDAR-Camera融合モデルの3次元物体検出における対角的ロバスト性を評価する。
そこで本研究では,車上における物理的制約点数に制限を加えるだけで,融合モデルにより車体を検出不能にすることができる攻撃手法を提案する。
論文 参考訳（メタデータ） (2023-12-03T17:48:40Z) - Radar Enlighten the Dark: Enhancing Low-Visibility Perception for
Automated Vehicles with Camera-Radar Fusion [8.946655323517094]
低視認性条件に対処するために,トランスフォーマーを用いた新しい3次元オブジェクト検出モデル"REDFormer"を提案する。
我々のモデルは、分類と検出精度で最先端(SOTA)モデルより優れている。
論文 参考訳（メタデータ） (2023-05-27T00:47:39Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳（メタデータ） (2021-09-03T13:33:33Z) - R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of
Dynamic Scenes [69.6715406227469]
駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。
本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
論文 参考訳（メタデータ） (2021-08-10T17:57:03Z) - 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) - 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。