論文の概要: Adversarial Calibration Attack on Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2608.28778v1
• Date: Fri, 28 Aug 2026 18:35:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.743807
• Title: Adversarial Calibration Attack on Autonomous Vehicles
• Title（参考訳）: 自動車の逆校正攻撃
• Abstract要約: 本稿では、カメラ-LiDARオンラインキャリブレーションに対する最初の物理的攻撃であるAdversarial Attack (ACA)を紹介する。 ACAは、回転校正誤差の平均33.9度を誘導し、物体検出を著しく劣化させる。 これらの結果から,オンラインキャリブレーションはAVにとって実用的で安全に重要な攻撃面であることが示された。
• 参考スコア（独自算出の注目度）: 12.041844860095287
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Autonomous vehicles (AVs) rely on accurate camera-LiDAR calibration for multimodal sensor fusion. In practice, calibration can drift due to vibration, temperature variation, or minor sensor displacement, motivating online calibration algorithms that detect and correct misalignment at runtime while allowing the vehicle to continue operating without a factory visit. Existing AV attacks largely assume correct calibration. We instead identify online sensor calibration as a new attack plane. A corrupted calibration update can persist across subsequent fusion operations, causing system-wide errors that propagate from perception to planning and control. We present Adversarial Calibration Attack (ACA), the first physical attack against camera-LiDAR online calibration. Using a single adversarial poster, ACA first spoofs the miscalibration detector to trigger the calibration process and then steers the calibration estimator toward an incorrect transformation. A unified optimization jointly designs the poster's geometry and texture for both objectives. We evaluate ACA across benchmark datasets, simulation, and physical experiments. On benchmark datasets such as KITTI and nuScenes, ACA induces up to 33.9 degrees mean rotational calibration error, thereby severely degrading object detection. In the CARLA simulator, the attack causes a collision when the corrupted calibration is accepted in vulnerable scenarios crafted by the attacker. On a real Husky robot, a printed adversarial poster successfully reproduces the calibration error. These results demonstrate that online calibration is a practical and safety-critical attack surface for AVs.
• Abstract（参考訳）: 自律走行車(AV)は、マルチモーダルセンサー融合のための正確なカメラ-LiDARキャリブレーションに依存している。 実際には、キャリブレーションは振動、温度変化、または小さなセンサーの変位によってドリフトし、オンラインキャリブレーションアルゴリズムを動機付け、実行時に誤調整を検出し、修正すると同時に、工場の訪問なしに車両が動作し続けることができる。 既存のAV攻撃は主に正しいキャリブレーションを前提としている。 代わりに、オンラインセンサーキャリブレーションを新たな攻撃機として認識する。 破損したキャリブレーションの更新は、その後の核融合操作にまたがって継続し、システム全体のエラーを引き起こし、認識から計画と制御へと伝播する。 本稿では、カメラ-LiDARオンラインキャリブレーションに対する最初の物理的攻撃である、Adversarial Calibration Attack (ACA)を紹介する。 ACAは1つの逆方向のポスターを使用して、まず誤校正検出装置をスプープして校正過程をトリガーし、次に校正推定器を誤った変換に向けて操る。 統一された最適化は、両方の目的のためにポスターの幾何学とテクスチャを共同で設計する。 ベンチマークデータセット,シミュレーション,物理実験におけるACAの評価を行った。 KITTIやnuScenesのようなベンチマークデータセットでは、ACAは最大33.9°の回転校正誤差を誘導し、オブジェクト検出を著しく劣化させる。 CARLAシミュレータでは、破損したキャリブレーションが攻撃者が作成した脆弱なシナリオで受け入れられると、攻撃が衝突する。 本物のハスキーロボットでは、印刷された敵のポスターが校正誤差をうまく再現する。 これらの結果から,オンラインキャリブレーションはAVにとって実用的で安全に重要な攻撃面であることが示された。

関連論文リスト

• Robust Camera-to-Mocap Calibration and Verification for Large-Scale Multi-Camera Data Capture [18.22576487999375]
  魚眼カメラの校正・検証システムについて述べる。 lollypopは、キャリブレーションデータから完全に独立した測定チェーンを通じて、高速で演算子に依存しない評価を提供する。 システムは運用データ収集パイプラインにデプロイされている。
  論文  参考訳（メタデータ） (2026-04-23T23:37:00Z)
• Pose-Robust Calibration Strategy for Point-of-Gaze Estimation on Mobile Phones [52.87468614536999]
  キャリブレーション点と頭部の多様性が推定精度に与える影響を分析する。 実験により、キャリブレーション中により広い範囲の頭部ポーズを導入することで、推定器がポーズ変動を処理する能力を向上させることが示されている。 携帯電話を移動しながらキャリブレーションポイントを固定する動的キャリブレーション戦略を提案する。
  論文  参考訳（メタデータ） (2025-08-14T01:28:30Z)
• Cal or No Cal? -- Real-Time Miscalibration Detection of LiDAR and Camera Sensors [0.8437187555622164]
  安全の観点からは、センサーのキャリブレーションは自動運転の鍵となる。 オンラインキャリブレーションは厳格なリアルタイムとリソースの制約を受ける。 校正パラメータの直接回帰から校正状態のバイナリ分類に焦点を移す誤校正検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-31T08:13:23Z)
• A re-calibration method for object detection with multi-modal alignment bias in autonomous driving [6.672552664633057]
  自律走行における多モード物体検出は、異なるセンサからの補完情報を融合させることにより、大きなブレークスルーを達成した。 LiDARやカメラなどのセンサーとの融合の校正は、以前の研究で常に正確であるはずだった。 実際には、キャリブレーション行列は車両が工場を出る際に固定されるが、機械的振動、道路の隆起、データラグはキャリブレーションバイアスを引き起こす可能性がある。
  論文  参考訳（メタデータ） (2024-05-27T05:46:37Z)
• Towards Certification of Uncertainty Calibration under Adversarial Attacks [96.48317453951418]
  攻撃はキャリブレーションを著しく損なう可能性を示し, 対向的摂動下でのキャリブレーションにおける最悪のキャリブレーション境界として認定キャリブレーションを提案する。 我々は,新しいキャリブレーション攻撃を提案し,テクスタディバーショナルキャリブレーショントレーニングによりモデルキャリブレーションを改善する方法を示す。
  論文  参考訳（メタデータ） (2024-05-22T18:52:09Z)
• From Chaos to Calibration: A Geometric Mutual Information Approach to Target-Free Camera LiDAR Extrinsic Calibration [4.378156825150505]
  そこで本研究では,根拠となる真理学習データを必要としない目標外キャリブレーションアルゴリズムを提案する。 我々は,KITTI と KITTI-360 の魚眼データセットを用いた改良を行った。
  論文  参考訳（メタデータ） (2023-11-03T13:30:31Z)
• Towards Calibrated Robust Fine-Tuning of Vision-Language Models [97.19901765814431]
  本研究は、視覚言語モデルにおいて、OOD精度と信頼性校正の両方を同時に改善する頑健な微調整法を提案する。 OOD分類とOOD校正誤差は2つのIDデータからなる共有上限を持つことを示す。 この知見に基づいて,最小の特異値を持つ制約付きマルチモーダルコントラスト損失を用いて微調整を行う新しいフレームワークを設計する。
  論文  参考訳（メタデータ） (2023-11-03T05:41:25Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• A Close Look into the Calibration of Pre-trained Language Models [56.998539510508515]
  事前訓練された言語モデル(PLM)は、予測の不確かさを確実に見積もることに失敗する可能性がある。 トレーニングにおけるPLMの校正性能の動的変化について検討する。 最近提案された2つの学習可能な手法を拡張して、モデルを直接収集し、合理的な信頼度を推定する。
  論文  参考訳（メタデータ） (2022-10-31T21:31:07Z)
• On the Dark Side of Calibration for Modern Neural Networks [65.83956184145477]
  予測キャリブレーション誤差(ECE)を予測信頼度と改善度に分解する。 正規化に基づくキャリブレーションは、モデルの信頼性を損なうことのみに焦点を当てる。 ラベルの平滑化やミキサアップなど,多くのキャリブレーション手法により,DNNの精度を低下させることで,DNNの有用性を低下させることがわかった。
  論文  参考訳（メタデータ） (2021-06-17T11:04:14Z)
• Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor Setups [68.8204255655161]
  本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。 提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
  論文  参考訳（メタデータ） (2021-01-12T12:02:26Z)

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。