論文の概要: ATLAS: A Large-Scale Evaluation Benchmark for Adversarial LiDAR Perception

• arxiv url: http://arxiv.org/abs/2606.02924v1
• Date: Mon, 01 Jun 2026 21:56:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.622895
• Title: ATLAS: A Large-Scale Evaluation Benchmark for Adversarial LiDAR Perception
• Title（参考訳）: ATLAS: 逆LiDAR知覚のための大規模評価ベンチマーク
• Authors: Mellon M. Zhang, Siddhant Panse, Zimo Fan, Akshal Dhal, Rishit Sarkar, Glen Chou,
• Abstract要約: ATLASは、ブラックボックスセンサー攻撃下でのLiDAR知覚モデルの大規模な物理的基盤評価ベンチマークである。 標準ベンチマークでのより強力なパフォーマンスを持つモデルは、除去攻撃に耐える傾向にあるが、実際には弱いモデルよりもインジェクション攻撃に対して脆弱である。 この脆弱性を、標準的なオブジェクトデータベースサンプリング拡張にトレースし、現在のトレーニングプラクティスがアーキテクチャに依存しない障害を誘発する方法を明らかにします。
• 参考スコア（独自算出の注目度）: 2.216657815393579
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous driving perception is typically evaluated on clean benchmark data, yet real-world deployment requires robustness to rare, structured, and potentially adversarial sensor anomalies. This gap is especially critical for LiDAR, where external actors can physically manipulate the sensing process to induce black-box perception failures without accessing the model. Existing LiDAR benchmarks provide little visibility into this failure mode. Prior adversarial LiDAR studies have largely centered on attack hardware, geometric and algorithmic defenses, and early-generation detectors, leaving the robustness of modern perception systems unexplored. To address this evaluation gap, we introduce ATLAS (Adversarial Temporal LiDAR Attack Suite), the first large-scale, physically grounded evaluation benchmark for LiDAR perception models under black-box sensor attacks, simulating the two primary attack modes -- point injection and point removal -- across real driving sequences. Evaluating a broad cross-section of current state-of-the-art LiDAR perception models, ATLAS reveals a surprising robustness asymmetry: models with stronger performance on standard benchmarks tend to better withstand removal attacks, yet are actually more vulnerable to injection attacks than weaker models. We trace this vulnerability to standard object database sampling augmentations, revealing how current training practices can induce architecture-agnostic robustness failures, and study initial directions for mitigating both attack modes. We release the ATLAS generation code to support extensible, reproducible evaluations as attack capabilities evolve, helping make black-box sensor robustness an explicit consideration in future LiDAR perception development.
• Abstract（参考訳）: 自律運転知覚は、典型的にはクリーンなベンチマークデータに基づいて評価されるが、実世界の展開には、まれで構造化され、潜在的に敵対的なセンサー異常に対する堅牢性が必要である。 このギャップはLiDARにとって特に重要であり、外部アクターが知覚プロセスを物理的に操作して、モデルにアクセスすることなくブラックボックス認識障害を誘発することができる。 既存のLiDARベンチマークは、この障害モードの可視性をほとんど提供しない。 以前の敵対的なLiDARの研究は、主に攻撃ハードウェア、幾何学的およびアルゴリズム的防御、および初期世代の検出器に焦点を当てており、現代の知覚システムの堅牢性は未調査のままである。 この評価ギャップに対処するために、我々は、ブラックボックスセンサー攻撃下でのLiDAR知覚モデルに対する最初の大規模で物理的に基礎付けられた評価ベンチマークであるATLAS(Adversarial Temporal LiDAR Attack Suite)を導入し、実際の駆動シーケンスにわたって2つの主要な攻撃モードであるポイントインジェクションとポイント除去をシミュレートした。 ATLASは現在の最先端のLiDAR知覚モデルの幅広い断面を評価することで、驚くほど頑健な非対称性を明らかにしている。標準ベンチマークでより強力なパフォーマンスを持つモデルは、除去攻撃に耐える傾向にあるが、実際には弱いモデルよりも射出攻撃に対して脆弱である。 この脆弱性は、標準的なオブジェクトデータベースサンプリングの強化に遡り、現在のトレーニングプラクティスがアーキテクチャに依存しない堅牢性障害を誘発する方法を明らかにし、両方のアタックモードを緩和するための最初の方向性について研究する。 我々は攻撃能力の進化に伴い、拡張性のある再現性評価をサポートするATLAS生成コードをリリースし、将来のLiDAR知覚開発において、ブラックボックスセンサの堅牢性を明示的な考慮に役立てる。

関連論文リスト

• RADAR: Revealing Asymmetric Development of Abilities in MLLM Pre-training [59.493415006017635]
  事前訓練されたマルチモーダル大言語モデル(MLLM)は、ポストトレーニングのための知識豊富な基盤を提供する。 現在の評価は、厳格な追加トレーニングと自己回帰的復号コストを導入する、教師付き微調整後のテストに依存している。 MLLM pRe トレーニングにおける非対称性向上のための効率的な能力中心評価フレームワーク RADAR を提案する。
  論文  参考訳（メタデータ） (2026-02-13T12:56:31Z)
• RADAR: Benchmarking Vision-Language-Action Generalization via Real-World Dynamics, Spatial-Physical Intelligence, and Autonomous Evaluation [76.22852262683746]
  本稿では,現実的な条件下でのVLA一般化を体系的に評価するベンチマークであるRADARを紹介する。 RADARを用いて、複数の最先端のVLAモデルを監査し、その明らかな能力の下で深刻な脆弱性を明らかにする。
  論文  参考訳（メタデータ） (2026-02-11T16:08:30Z)
• MOBA: A Material-Oriented Backdoor Attack against LiDAR-based 3D Object Detection Systems [11.315953503694564]
  既存のバックドア攻撃の主な制限は、物理的な実現可能性の欠如である。 物質指向バックドアアタック (Material-Oriented Backdoor Attack, MOBA) は、現実世界のトリガーの物質特性を明示的にモデル化することで、デジタル物理ギャップを埋める。 MOBAは93.50%の攻撃成功率を達成し、以前の手法を41%以上上回っている。
  論文  参考訳（メタデータ） (2025-11-13T06:10:21Z)
• Explainer-guided Targeted Adversarial Attacks against Binary Code Similarity Detection Models [12.524811181751577]
  我々は,BCSDモデルに対する敵攻撃に対する新たな最適化を提案する。 特に,攻撃目標は,モデル予測を特定の範囲に制限することである。 我々の攻撃は、モデル決定境界の解釈において、ブラックボックス、モデルに依存しない説明器の優れた能力を活用する。
  論文  参考訳（メタデータ） (2025-06-05T08:29:19Z)
• A Few Large Shifts: Layer-Inconsistency Based Minimal Overhead Adversarial Example Detection [13.109309606764754]
  我々は、ターゲットモデル自体の内部の階層的不整合を利用するプラグイン検出フレームワークを導入する。 本手法は計算オーバーヘッドを無視して最先端検出性能を実現する。
  論文  参考訳（メタデータ） (2025-05-19T00:48:53Z)
• Transferable Adversarial Attacks on SAM and Its Downstream Models [87.23908485521439]
  本稿では,セグメント・アプライス・モデル(SAM)から微調整した様々な下流モデルに対する敵攻撃の可能性について検討する。 未知のデータセットを微調整したモデルに対する敵攻撃の有効性を高めるために,ユニバーサルメタ初期化(UMI)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-26T15:04:04Z)
• 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)
• Improving Adversarial Robustness to Sensitivity and Invariance Attacks with Deep Metric Learning [80.21709045433096]
  対向ロバスト性の標準的な方法は、サンプルを最小に摂動させることによって作られたサンプルに対して防御する枠組みを仮定する。 距離学習を用いて、最適輸送問題として逆正則化をフレーム化する。 予備的な結果から, 変分摂動の規則化は, 変分防御と敏感防御の両方を改善することが示唆された。
  論文  参考訳（メタデータ） (2022-11-04T13:54:02Z)

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。