論文の概要: "Your Robot Was Trained on a Lie": Collision Mesh Poisoning Attacks on Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2609.18122v1
• Date: Wed, 16 Sep 2026 04:58:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.635874
• Title: "Your Robot Was Trained on a Lie": Collision Mesh Poisoning Attacks on Robotic Manipulation
• Title（参考訳）: 嘘で訓練されたあなたのロボット:ロボット操作に対する衝突メッシュの攻撃
• Abstract要約: 我々は,3Dアセットサプライチェーンを通じて提供されるロボット操作に対する最初の毒殺攻撃であるCollision Mesh Poisoningを提案する。 アタッカーは3Dアセットの衝突メッシュのみを変更し、ビジュアルメッシュと他のすべてのコンポーネントは変わらない。 有毒物質で訓練され評価された政策は、通常シミュレーションを通して振る舞うが、一度現実世界に配備された場合の物理的安全性のリスクは低下し、失敗する。
• 参考スコア（独自算出の注目度）: 23.048306978370736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning-enabled robotic manipulation increasingly relies on robot simulators for policy training and evaluation before real-world deployment. Inside a simulator, a 3D asset contains two separate geometries: a visual mesh used for rendering and a collision mesh used for physical interaction. For computational efficiency, the collision mesh is deliberately a coarse approximation that need not have the same geometry as the visual mesh, a legitimate and pervasive discrepancy we call the Visual--Collision Gap (V--C Gap). We show that the V--C Gap opens a new and practical attack surface, and propose Collision Mesh Poisoning (CMP), the first poisoning attack against robotic manipulation delivered through the 3D asset supply chain. An attacker modifies only the collision mesh of a 3D asset, leaving the visual mesh and all other components unchanged. A policy trained and evaluated with the poisoned asset behaves normally throughout simulation, yet degrades, fails, or creates physical safety risks once deployed in the real world. Since current asset review practices cover malware, copyright, and format compliance, but not visual--collision consistency, poisoned assets can be distributed through legitimate supply chain channels. We evaluate several defenses and our results show that they are insufficient to defend against CMP, highlighting the need for new defenses.
• Abstract（参考訳）: 学習可能なロボット操作は、実際の展開前にポリシートレーニングと評価を行うロボットシミュレータにますます依存している。 シミュレータ内の3Dアセットには、レンダリングに使用されるビジュアルメッシュと、物理的相互作用に使用される衝突メッシュの2つの別々のジオメトリが含まれている。 計算効率の面では、衝突メッシュは意図的に粗い近似であり、視覚メッシュと同じ幾何学を持つ必要はない。 3Dアセットサプライチェーンを経由したロボット操作に対する最初の毒殺攻撃であるコリションメッシュ毒殺(CMP)を提案している。攻撃者は3Dアセットの衝突メッシュのみを変更して、視覚メッシュや他のコンポーネントをそのまま残す。この毒殺されたアセットで訓練・評価されたポリシーは、シミュレーションを通して通常動作し、実際の世界で展開された場合の物理的安全性のリスクを生じさせる。現状のアセットレビューでは、マルウェア、著作権、フォーマットの遵守がカバーされているが、視覚的コリレーション整合性はないため、正当なサプライチェーンチャネルを介して有害なアセットを分散することができる。 いくつかの防衛を評価した結果,CMPに対する防衛には不十分であることが示され,新たな防衛の必要性が浮かび上がっている。

関連論文リスト

• Collision-Aware Humanoid Whole-Body Control under Imperfect Tracking Targets [11.010074477825272]
  全体コントローラ(WBC)は、バランスと安定性を維持しながら目標を追跡するコマンドを実行する。 ほとんどのWBCはシーン幾何学に盲目であり、知覚、計画、遠隔操作の誤りによる衝突につながる可能性がある。 本稿では,視覚障害者を包むレイヤであるRECALを提案する。
  論文  参考訳（メタデータ） (2026-09-14T22:22:02Z)
• DemoBridge: A Simulation-in-the-Loop Toolkit for Single-View Human Demonstration Retargeting [49.70827726228219]
  このツールキットは、人間の手による実演のシングルビューRGBステレオ記録を、物理で検証可能なロボットアーム軌道に変換する。 DemoBridgeの中核は、衝突を意識した単一のプランナーである。 物理シミュレーターはループ内で動作し、生成した各フェーズを検証し、障害時にバックトラックするので、与えられたように再生できないデモは破棄されるのではなく、再計画される。
  論文  参考訳（メタデータ） (2026-07-10T15:31:04Z)
• Imagine2Real: Towards Zero-shot Humanoid-Object Interaction via Video Generative Priors [51.096845970243855]
  高忠実度3Dデータの不足により,全体Humanoid-Object Interaction (HOI) がボトルネックとなる。 本研究では,ゼロショットHOIフレームワークであるImagine2Realを提案する。
  論文  参考訳（メタデータ） (2026-05-21T10:15:39Z)
• Not What You Asked For: Typographic Attacks in Household Robot Manipulation [2.8988874060074163]
  本研究は,HomeRobotベンチマークを用いたHabitatに基づくシミュレーションにおいて,タイポグラフィー攻撃を評価する。 本稿では,凍ったCLIPエンコーダを敵ステッカーに公開する非結合型認識アーキテクチャを提案する。 知覚的誤りは持続的な3次元意味マップを通して伝播し、運動的故障を引き起こす。
  論文  参考訳（メタデータ） (2026-05-18T16:06:29Z)
• Diffusion-Guided Backdoor Attacks in Real-World Reinforcement Learning [13.244940433694024]
  バックドア攻撃は、強化学習ポリシーに隠された悪意のある振る舞いを埋め込み、テスト時にトリガーを使用してそれらをアクティベートする。 既存の攻撃のほとんどはシミュレーションでのみ検証されているが、実際のロボットシステムでの有効性はまだ不明である。 これまでに見過ごされてきた問題を考察し,現実世界のRLに対する拡散誘導型バックドアアタックフレームワーク(DGBA)を提案する。
  論文  参考訳（メタデータ） (2026-01-20T16:03:51Z)
• 3D Gaussian Splatting Driven Multi-View Robust Physical Adversarial Camouflage Generation [50.03578546845548]
  物理敵攻撃法は、ディープニューラルネットワークの脆弱性を露呈し、自律運転のような安全クリティカルなシナリオに重大な脅威をもたらす。 カモフラージュをベースとした物理的な攻撃は、パッチベースの攻撃よりも有望なアプローチであり、複雑な物理的環境においてより強力な対逆効果を提供する。 本稿では,PGAと命名された3Dガウススティング(3DGS)に基づく物理的攻撃フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-02T05:10:16Z)
• TPatch: A Triggered Physical Adversarial Patch [19.768494127237393]
  音響信号によって引き起こされる物理的対向パッチであるTPatchを提案する。 運転者の疑念を避けるため,コンテンツベースカモフラージュ法と攻撃強化法を提案する。
  論文  参考訳（メタデータ） (2023-12-30T06:06:01Z)
• FCA: Learning a 3D Full-coverage Vehicle Camouflage for Multi-view Physical Adversarial Attack [5.476797414272598]
  そこで本研究では,FCA(Full-coverage Camouflage Attack)を提案する。 具体的には、まず、平面でないカモフラージュテクスチャを全車表面上でレンダリングする。 次に、レンダリングされたカモフラージュされた車両をフォトリアリスティックなシナリオに変換する変換関数を導入する。
  論文  参考訳（メタデータ） (2021-09-15T10:17:12Z)
• Evaluating the Robustness of Semantic Segmentation for Autonomous Driving against Real-World Adversarial Patch Attacks [62.87459235819762]
  自動運転車のような現実のシナリオでは、現実の敵例(RWAE)にもっと注意を払わなければならない。 本稿では,デジタルおよび実世界の敵対パッチの効果を検証し,一般的なSSモデルのロバスト性を詳細に評価する。
  論文  参考訳（メタデータ） (2021-08-13T11:49:09Z)
• Online Alternate Generator against Adversarial Attacks [144.45529828523408]
  ディープラーニングモデルは、実際の画像に準知覚可能なノイズを加えることによって合成される敵の例に非常に敏感である。 対象ネットワークのパラメータをアクセスしたり変更したりする必要のない,ポータブルな防御手法であるオンライン代替ジェネレータを提案する。 提案手法は,入力画像のスクラッチから別の画像をオンライン合成することで,対向雑音を除去・破壊する代わりに機能する。
  論文  参考訳（メタデータ） (2020-09-17T07:11:16Z)

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。