論文の概要: Adversarial Robustness of Camera-Radar Sensor Fusion for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2610.16012v1
• Date: Mon, 12 Oct 2026 00:21:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 08:07:43.034122
• Title: Adversarial Robustness of Camera-Radar Sensor Fusion for Autonomous Driving
• Title（参考訳）: カメラレーダ型センサフュージョンの自律走行における対向ロバスト性
• Abstract要約: 本稿では,自律走行におけるカメラ・レーダー・センサ・フュージョンのロバスト性に関する系統的研究を行う。 8つのカメライメージの摂動と3つのレーダーポイントクラウド摂動を含む、両方のセンシングモードに対する攻撃をシミュレートする統合評価パイプラインを構築した。 我々は,3次元物体検出と深度推定という2つの認識課題にまたがる5つのカメラ・レーダー融合アルゴリズムを評価し,その性能をクリーンで攻撃的な入力下で定量化する。
• 参考スコア（独自算出の注目度）: 4.989473093721403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous driving (AD) relies on multi-sensor perception to interpret the surrounding environment. However, the robustness of camera--radar fusion under adversarial conditions remains largely unexplored. This paper presents a systematic measurement study of the robustness of camera--radar sensor fusion in AD. We construct a unified evaluation pipeline on the nuScenes dataset that simulates attacks on both sensing modalities, including eight camera-image perturbations and three radar point-cloud perturbations. We evaluate five camera--radar fusion algorithms across two perception tasks, 3D object detection and depth estimation, and quantify their performance under clean and attacked inputs using standard metrics. Our evaluation reveals a clear asymmetry in the robustness of fusion systems. Camera perturbations substantially degrade both object detection and depth estimation, and moderate attack strengths are already sufficient to cause severe performance degradation. In contrast, the evaluated radar perturbations produce smaller and task-dependent effects, with object-detection models showing particularly limited degradation. Our analysis attributes this difference to the strong dependence of existing fusion architectures on dense camera features, together with the filtering, association, and confidence-weighting mechanisms commonly applied to sparse radar measurements. These results demonstrate that sensor fusion does not inherently guarantee robustness and that the contribution and reliability of each sensing modality must be explicitly considered under adversarial conditions. Based on four empirical findings, we derive measurement-guided design implications for future robust camera--radar fusion, including modality-specific reliability estimation, cross-modal consistency checking, adaptive fusion, and graceful failover under severe sensor degradation.
• Abstract（参考訳）: 自律運転(AD)は周囲の環境を理解するためにマルチセンサーの知覚に依存している。 しかし, 対向条件下でのカメラ・レーダー融合のロバスト性は未解明のままであり, 本論文ではADにおけるカメラ・レーダー・センサ融合のロバスト性について体系的に検討する。 我々は,カメラ画像の8つの摂動と3つのレーダポイントクラウド摂動を含む,両方のセンシングモードに対する攻撃をシミュレートするnuScenesデータセット上に,統一的な評価パイプラインを構築した。 我々は,3次元物体検出と深度推定という2つの認識課題にまたがる5つのカメラ・レーダ融合アルゴリズムを評価し,その性能を標準的な指標を用いて,クリーンで攻撃的な入力下で定量化する。 本評価は, 核融合系のロバスト性において, 明確な非対称性を示すものである。 カメラの摂動は物体検出と深度推定の両方を著しく劣化させ、中程度の攻撃強度は高い性能低下を引き起こすのに十分である。 対照的に、評価されたレーダーの摂動はより小さく、タスクに依存した効果をもたらす。 この違いは、従来の核融合アーキテクチャが高密度カメラの特徴に強く依存していることと、スパースレーダ測定に一般的に適用されるフィルタリング、アソシエーション、信頼度重み付け機構に起因している。 これらの結果から, センサ融合は本質的にロバスト性を保証するものではなく, 対向条件下では各センサモードの寄与と信頼性を明示的に考慮する必要があることが示唆された。 4つの経験的知見に基づき,高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高感度・高出力・高出力・高出力・高出力・高出力・高出力・高出力・高出力・高出力・高出力・高出力・高出力・高出力・高出力・高出力・高出力・高出力・高出力・高出力・高出力・高出力・高出力・高出力・高出力

関連論文リスト

• Boosting Robustness for All-Weather Self-Supervised Depth Estimation in Autonomous Driving [46.17295445504376]
  逆気象条件は画素対応を歪め、自己教師付き損失関数に埋め込まれた仮定に違反する可能性がある。 レーダは悪天候下で広く採用されているセンサであるが、ポイント・オブ・ビュー(POV)におけるレーダーポイントの疎分布は、自己監督型核融合の課題を提起している。 マルチティーラー蒸留とロバストレーダ融合による全天候データを用いた新しい自己学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-07-23T17:11:33Z)
• Cross-Modal Phantom: Coordinated Camera-LiDAR Spoofing Against Multi-Sensor Fusion in Autonomous Vehicles [2.1485350418225244]
  我々は,マルチセンサ・フュージョンの冗長性を回避できるかどうかを,クロスセンサの整合性を利用して検討する。 我々は,3次元空間に配置した視点認識画像パッチと合成LiDAR点クラスタを挿入することで,センサレベルの結果をシミュレートする。 400KITTIのシーンを大規模に評価したところ、コーディネートされたスプーフィングは85.5%の攻撃率で最先端の知覚モデルであることがわかった。
  論文  参考訳（メタデータ） (2026-04-23T16:32:01Z)
• UP-Fuse: Uncertainty-guided LiDAR-Camera Fusion for 3D Panoptic Segmentation [17.310791153991975]
  本稿では,新しい不確実性を考慮した融合フレームワークUP-Fuseを紹介する。 生のLiDARデータはまずレンジビューに投影され、LiDARエンコーダによってエンコードされる。 カメラ機能は同時に抽出され、同じ共有空間に投影される。
  論文  参考訳（メタデータ） (2026-02-22T21:34:29Z)
• A Comparative Study of 3D Person Detection: Sensor Modalities and Robustness in Diverse Indoor and Outdoor Environments [5.89179309980335]
  本研究では,カメラオンリー,LiDARオンリー,カメラ-LiDAR融合を用いた3次元人物検出の系統的評価を行う。 BEVDepth(カメラ)、PointPillars(LiDAR)、DAL(カメラ-LiDAR融合)の3つの代表モデルを比較した。 その結果,核融合によるアプローチは,特に挑戦的なシナリオにおいて,単一モダリティモデルよりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2026-02-05T10:53:35Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
  暗い照明や悪天候はカメラの性能を低下させる。 レーダーは騒音と位置のあいまいさに悩まされる。 本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
  論文  参考訳（メタデータ） (2025-02-18T17:17:38Z)
• Reliability-Driven LiDAR-Camera Fusion for Robust 3D Object Detection [0.0]
  本稿では,鳥眼ビュー(BEV)空間で動作するLiDARカメラ融合フレームワークReliFusionを提案する。 ReliFusionは、Spatio-Temporal Feature Aggregation (STFA)モジュール、Reliabilityモジュール、Confidence-Weighted Mutual Cross-Attention (CW-MCA)モジュールという3つの重要なコンポーネントを統合している。 nuScenesデータセットの実験では、ReliFusionは最先端の手法よりも優れており、LiDARの視野に制限のあるシナリオにおいて、より優れた堅牢性と精度を実現している。
  論文  参考訳（メタデータ） (2025-02-03T22:07:14Z)
• Adversarially-Aware Robust Object Detector [85.10894272034135]
  本稿では,ロバスト検出器 (RobustDet) を提案する。 本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
  論文  参考訳（メタデータ） (2022-07-13T13:59:59Z)
• Learning Selective Sensor Fusion for States Estimation [47.76590539558037]
  本稿では,エンド・ツー・エンドのセンサ・フュージョン・モジュールであるSelectFusionを提案する。 予測中、ネットワークは異なるセンサーモードから潜伏する特徴の信頼性を評価することができる。 我々は、公開データセットと漸進的に劣化したデータセットの両方において、すべての融合戦略を広範囲に評価する。
  論文  参考訳（メタデータ） (2019-12-30T20:25:16Z)

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。