Key points are not available for this paper at this time.
تعتمد أنظمة القيادة الذاتية الحديثة بشكل كبير على نماذج التعلم العميق لمعالجة بيانات الاستشعار السحابية النقاطية؛ بينما أظهرت نماذج التعلم العميق أنها عرضة للهجمات المعادية مع اضطرابات لا يمكن تمييزها بصريًا. على الرغم من أن هذه المسألة تمثل مصدر قلق أمني لصناعة السيارات ذاتية القيادة، إلا أنه تم استكشاف القليل جدًا في مجال الإدراك ثلاثي الأبعاد، حيث تم تطبيق معظم الهجمات المعادية فقط على الصور المسطحة ثنائية الأبعاد. في هذه الورقة، نتعامل مع هذه القضية ونقدم طريقة لتوليد أجسام ثلاثية الأبعاد معادية لخداع كاشفات LiDAR. على وجه الخصوص، نوضح أنه يمكن وضع جسم معادي على سطح أي مركبة مستهدفة لإخفاء المركبة بالكامل عن كاشفات LiDAR بنجاح بنسبة 80%. نقدم نتائج الهجوم على مجموعة من الكاشفات باستخدام تمثيلات إدخال مختلفة لبيانات السحاب النقاطية. نقوم أيضًا بإجراء دراسة تجريبية حول الدفاع ضد الهجمات المعادية باستخدام تعزيز البيانات. هذه خطوة أقرب نحو قيادة ذاتية أكثر أمانًا تحت ظروف غير مرئية من بيانات تدريب محدودة.
قام تو وآخرون (Mon,) بدراسة هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: