論文の概要: DTP-Attack: A decision-based black-box adversarial attack on trajectory prediction

• arxiv url: http://arxiv.org/abs/2603.26462v1
• Date: Fri, 27 Mar 2026 14:30:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.539937
• Title: DTP-Attack: A decision-based black-box adversarial attack on trajectory prediction
• Title（参考訳）: DTP-Attack: 軌道予測に対する決定に基づくブラックボックス逆行攻撃
• Authors: Jiaxiang Li, Jun Yan, Daniel Watzenig, Huilin Yin,
• Abstract要約: 軌道予測システムは自動運転車の安全性に不可欠である。 軌道予測システムは、壊滅的な交通行動の誤解釈を引き起こす可能性のある敵攻撃に対して脆弱である。 DTP-Attackは、軌道予測システムに適した決定ベースのブラックボックス対逆攻撃フレームワークである。
• 参考スコア（独自算出の注目度）: 8.287137851936523
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trajectory prediction systems are critical for autonomous vehicle safety, yet remain vulnerable to adversarial attacks that can cause catastrophic traffic behavior misinterpretations. Existing attack methods require white-box access with gradient information and rely on rigid physical constraints, limiting real-world applicability. We propose DTP-Attack, a decision-based black-box adversarial attack framework tailored for trajectory prediction systems. Our method operates exclusively on binary decision outputs without requiring model internals or gradients, making it practical for real-world scenarios. DTP-Attack employs a novel boundary walking algorithm that navigates adversarial regions without fixed constraints, naturally maintaining trajectory realism through proximity preservation. Unlike existing approaches, our method supports both intention misclassification attacks and prediction accuracy degradation. Extensive evaluation on nuScenes and Apolloscape datasets across state-of-the-art models including Trajectron++ and Grip++ demonstrates superior performance. DTP-Attack achieves 41 - 81% attack success rates for intention misclassification attacks that manipulate perceived driving maneuvers with perturbations below 0.45 m, and increases prediction errors by 1.9 - 4.2 for accuracy degradation. Our method consistently outperforms existing black-box approaches while maintaining high controllability and reliability across diverse scenarios. These results reveal fundamental vulnerabilities in current trajectory prediction systems, highlighting urgent needs for robust defenses in safety-critical autonomous driving applications.
• Abstract（参考訳）: 軌道予測システムは自動運転車の安全性にとって重要であるが、壊滅的な交通行動の誤解釈を引き起こす可能性のある敵の攻撃には弱いままである。 既存の攻撃方法は、勾配情報によるホワイトボックスアクセスを必要とし、現実の応用性を制限する厳格な物理的制約に依存している。 DTP-Attackは、軌道予測システムに適した決定ベースのブラックボックス対逆攻撃フレームワークである。 本手法は,モデル内部や勾配を必要とせず,二項決定出力のみで動作するため,現実のシナリオでは実用的である。 DTP-Attackは、境界ウォーキングアルゴリズムを用いて、固定された制約を伴わずに敵領域を移動し、近接保存を通じて軌道的リアリズムを自然に維持する。 既存の手法とは異なり,本手法は意図的誤分類攻撃と予測精度劣化の両方をサポートする。 Trajectron++やGrip++といった最先端モデルのnuScenesとApolloscapeデータセットの大規模な評価は、優れたパフォーマンスを示している。 DTP-Attackは0.45m未満の摂動で認識された運転操作を操作する意図的誤分類攻撃に対して41～81%の攻撃成功率を達成し、精度劣化のために1.9～4.2の予測誤差を増大させる。 提案手法は,既存のブラックボックス手法よりも高い制御性と信頼性を維持しつつ,多様なシナリオにまたがる信頼性を維持する。 これらの結果は、現在の軌道予測システムにおける根本的な脆弱性を明らかにし、安全クリティカルな自律運転アプリケーションにおける堅牢な防御の必要性を強調している。

関連論文リスト

• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Boundary-Guided Trajectory Prediction for Road Aware and Physically Feasible Autonomous Driving [11.436186697804835]
  本稿では,軌道予測を許容駆動方向とその境界によって導かれる制約付き回帰として定式化する新しい枠組みを提案する。 我々は,HPTRベースラインに対するArgoverse-2データセットに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2025-05-10T19:21:00Z)
• A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
  軌道予測は、自動運転車における計画の安全性と効率に不可欠である。 現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。 本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
  論文  参考訳（メタデータ） (2024-11-29T14:47:08Z)
• SA-Attack: Speed-adaptive stealthy adversarial attack on trajectory prediction [2.0183079253175724]
  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。
  論文  参考訳（メタデータ） (2024-04-19T03:51:46Z)
• Certified Human Trajectory Prediction [66.1736456453465]
  本稿では,ロバスト性を保証する軌道予測に適した認証手法を提案する。 そこで本研究では, 拡散型トラジェクトリデノイザを提案し, 本手法に組み込むことにより, 性能低下を緩和する。 認定された予測器の精度と堅牢性を実証し、認定されていない予測器に対するそれらの優位性を強調する。
  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)
• 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)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)

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。