論文の概要: TACTIC: Temporal and Context-Aware LLM Tactical Planning for Roadside LiDAR Attacks

• arxiv url: http://arxiv.org/abs/2609.39969v1
• Date: Wed, 30 Sep 2026 15:33:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.978802
• Title: TACTIC: Temporal and Context-Aware LLM Tactical Planning for Roadside LiDAR Attacks
• Title（参考訳）: TACTIC:ロードサイドLiDAR攻撃のための時間的・文脈的LLM戦術計画
• Abstract要約: TACTICは、マルチモーダルな言語モデルを使用して、状態適応型ロードサイドLiDAR攻撃を調整するシーン認識フレームワークである。 280のランダム化CARLA試験では、完全なポリシーは100%の衝突率を達成する。 その結果、シーン依存の戦術プランニングは、固定攻撃ポリシーが見逃す可能性のあるコンテキスト依存のLiDAR障害モードを公開することができることがわかった。
• 参考スコア（独自算出の注目度）: 2.106094124217134
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Physical LiDAR attacks are often evaluated using fixed primitives and manually selected parameters, despite their strong dependence on surrounding traffic. We present TACTIC, a scene-aware framework that uses a multimodal large language model (MLLM) to coordinate state-adaptive roadside LiDAR attacks. Under a gray-box threat model, TACTIC relies only on an attacker-operated roadside perception stack, without accessing the victim LiDAR's native point clouds or internal processing. Local perception provides metric vehicle states, while the MLLM combines these measurements with roadside imagery to infer relational traffic context and construct a semantic scene graph. Based on this representation, TACTIC selects and configures two complementary primitives: \emph{push-away}, which shifts the perceived range of a lead vehicle, and \emph{phantom-obstacle braking}, which triggers emergency braking through obstacle injection. Measured traffic states and empirically calibrated constraints ground the generated tactics in physically feasible operating regions. To accommodate MLLM latency, TACTIC overlaps reasoning and execution asynchronously while high-rate local perception detects scene changes and triggers replanning. Across 280 randomized CARLA trials, the full policy achieves a 100% collision rate, compared with 35% for a fixed rule, 60% for random selection, and 75% for a restricted LLM using mode selection with default parameters. Joint physical-and-image input achieves 100% success, versus 65% with physical measurements alone and 75% with imagery alone, while asynchronous $Δ$ refresh reduces scene-mutation response from 7.4 s to 2.0 s. These results show that scene-dependent tactical planning can expose context-sensitive LiDAR failure modes that fixed attack policies may miss.
• Abstract（参考訳）: 物理的LiDAR攻撃は、周囲の交通に強く依存しているにもかかわらず、固定プリミティブと手動で選択されたパラメータを使って評価されることが多い。 我々は,マルチモーダルな大規模言語モデル(MLLM)を用いて,状態適応型ロードサイドLiDAR攻撃を調整するシーン認識フレームワークであるTACTICを提案する。 グレーボックスの脅威モデルの下では、TACTICは攻撃者が操作する道路側の認識スタックのみに依存しており、被害者のLiDARのネイティブポイントクラウドや内部処理にアクセスできない。 ローカルな認識は、メトリックな車両の状態を提供するが、MLLMはこれらの測定を道路側の画像と組み合わせて、関係性のある交通状況を推測し、セマンティックなシーングラフを構築する。 この表現に基づいて、TACTICは2つの補完的プリミティブを選択し、構成する: リード車両の認識範囲をシフトする \emph{push-away} と、障害物注入による緊急ブレーキを引き起こす \emph{phantom-obstacle braking} である。 計測された交通状況と実験的に調整された制約は、物理的に実現可能な運用領域で発生した戦術を基礎にしている。 MLLMレイテンシに対応するため、TACTICは推論と実行を非同期にオーバーラップし、高速な局所認識はシーンの変化を検出し、リプランをトリガーする。 280件のランダム化CARLA試験において、完全なポリシは100%の衝突率を達成するが、固定規則では35%、ランダム選択では60%、デフォルトパラメータを用いたモード選択では75%である。 統合物理画像入力は、物理的測定だけで65%、画像だけで75%、非同期$Δ$リフレッシュはシーン変更応答を7.4秒から2.0秒に減少させる。 これらの結果は、シーン依存の戦術的計画が、固定攻撃ポリシーが見逃す可能性のあるコンテキスト依存のLiDAR障害モードを公開することができることを示している。

関連論文リスト

• Learning-Based Dynamic Obstacle Avoidance for a UAV Using Only Three Range Sensors [1.2246649738388389]
  本研究では,未知の動環境下で一定高度で動作する無人航空機(UAV)のキノダイナミック・オンライン・モーション・プランニングに対する学習に基づくアプローチを提案する。 提案フレームワークは,行動グリッドマップの表現をDeep Reinforcement Learning (DRL)と統合し,継続的制御における安定した政策学習を実現する。 キーとなるアイデアは、低コストな3つの指向性レンジセンサーのみを使用して、信頼性の高いナビゲーションを可能にする状態表現と制御ポリシーの共設計である。
  論文  参考訳（メタデータ） (2026-09-13T10:53:43Z)
• LAPF: LLM-Agent-Based Path Finder Using the UAVScenes Dataset [8.27333944529512]
  本稿では,都市規模屋外環境における自律型UAVナビゲーションのためのLLM-Agent-Based Path Finder (LAPF) フレームワークを提案する。 LAPFは認識、記憶、計画、行動モジュールをクローズドループ認知アーキテクチャに統合することでLLM支援ナビゲーションを拡張している。 LAPFは512.83mと506.37mの平均経路長を、497.33mの直線最適化と比較する。
  論文  参考訳（メタデータ） (2026-08-15T11:28:21Z)
• MORPH-U: Multi-Objective Resilient Motion Planning for V2X-Enabled Autonomous Driving in High-Uncertainty Environments via Simulation [0.9427635404752933]
  本稿では,不確実なイベント駆動更新に対して,動作計画と低レベル制御を堅牢にする方法について検討する。 本稿では,LiDAR/レーダー/カメラとV2X(CAM/DENM)を融合した閉ループスタックであるMORPH-Uをローカルダイナミックマップに提示する。 故障したV2Xトリガから安全でないリプランを避けるため、MORPH-Uはビザンチンにインスパイアされた軽量の受け入れゲートを追加した。
  論文  参考訳（メタデータ） (2026-05-08T07:27:10Z)
• Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving [51.726472686971896]
  エンド・ツー・エンドの自律運転モデルは、多視点入力から将来の軌跡を生成する。 既存の手法では、軌道生成の根底にある視覚的証拠を明らかにすることができない。 エンド・ツー・エンド・プランニングのための階層的属性・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T13:38:18Z)
• Bridging the Modality Gap in Roadside LiDAR: A Training-Free Vision-Language Model Framework for Vehicle Classification [5.746505534720594]
  インテリジェントトランスポートシステム(ITS)におけるきめ細かいトラックの分類 現在のLiDARベースの手法は、教師付きディープラーニングと労働集約型マニュアルアノテーションに依存しているため、スケーラビリティの課題に直面している。 パラメータの微調整を伴わないきめ細かいトラック分類のために,市販のビジョンランゲージモデルを適用することで,このギャップを埋めるフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-10T05:39:48Z)
• Seeing Roads Through Words: A Language-Guided Framework for RGB-T Driving Scene Segmentation [5.030754278104693]
  RGB-熱融合(RGB-Thermal fusion)は標準的な手法であるが、既存の手法では全ての条件に対して均一に静的融合戦略を適用する。 本稿では,その融合戦略を検出されたシーン条件に動的に適応させるCLARITYを提案する。 MFNetデータセットの実験は、CLARITYが新しい最先端(SOTA)を確立することを実証している。
  論文  参考訳（メタデータ） (2026-02-07T03:52:04Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• Visual Backdoor Attacks on MLLM Embodied Decision Making via Contrastive Trigger Learning [89.1856483797116]
  MLLMをベースとした組込みエージェントに視覚的バックドアを注入する最初のフレームワークであるBEATを紹介する。 テキストトリガーとは異なり、オブジェクトトリガーは視点や照明の幅が広いため、確実に移植することは困難である。 BEATは攻撃の成功率を最大80%まで達成し、強い良識のあるタスクパフォーマンスを維持します。
  論文  参考訳（メタデータ） (2025-10-31T16:50:49Z)
• Steerable Adversarial Scenario Generation through Test-Time Preference Alignment [58.37104890690234]
  対立シナリオ生成は、自律運転システムの安全性評価のためのコスト効率の良いアプローチである。 textbfSteerable textbfAdversarial scenario textbfGEnerator (SAGE) という新しいフレームワークを導入する。 SAGEは、逆境とリアリズムの間のトレードオフを、再トレーニングなしできめ細かいテストタイムコントロールを可能にします。
  論文  参考訳（メタデータ） (2025-09-24T13:27:35Z)
• Robust Anti-Backdoor Instruction Tuning in LVLMs [53.766434746801366]
  大規模視覚言語モデル(LVLM)のための軽量で認証に依存しない防御フレームワークについて紹介する。 私たちのフレームワークは、命令チューニングの下で、アダプタモジュールとテキスト埋め込み層のみを微調整します。 Flickr30kとMSCOCOに対する7つの攻撃に対する実験は、我々の攻撃の成功率をほぼゼロに低下させることを示した。
  論文  参考訳（メタデータ） (2025-06-04T01:23:35Z)

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。