RAUCA: Ein neuartiger physikalischer adversarialer Angriff auf Fahrzeugsensoren durch robuste und präzise Camouflage-Generierung

Adversarialer Camouflage ist ein weit verbreiteter physikalischer Angriff auf Fahrzeugsensoren, der durch seine Überlegenheit in der Multi-View-Angriffsleistung überzeugt. Ein vielversprechender Ansatz besteht darin, differenzierbare neuronale Renderer zu verwenden, um die Optimierung adversarialer Camouflage durch Gradienten-Rückpropagation zu erleichtern. Bestehende Methoden haben jedoch oft Schwierigkeiten, Umweltmerkmale während des Renderings zu erfassen oder adversarielle Texturen zu erzeugen, die präzise auf das Ziel-Fahrzeug abgebildet werden können, was zu suboptimalen Angriffsleistungen führt. Darüber hinaus vernachlässigen diese Ansätze unterschiedliche Wetterbedingungen, was die Wirksamkeit der erzeugten Camouflage in variierenden Wetterszenarien verringert. Um diese Herausforderungen zu bewältigen, schlagen wir eine robuste und präzise Methode zur Camouflage-Generierung vor, nämlich RAUCA. Das Kernstück von RAUCA ist ein neuartiger neuronaler Rendering-Komponente, Neural Renderer Plus (NRP), der in der Lage ist, Fahrzeugtexturen genau zu projizieren und Bilder mit Umweltmerkmalen wie Licht und Wetter zu rendern. Darüber hinaus integrieren wir einen Multi-Wetter-Datensatz zur Camouflage-Generierung und nutzen das NRP, um die Angriffsrobustheit zu erhöhen. Experimentelle Ergebnisse zu sechs beliebten Objektdetektoren zeigen, dass RAUCA bestehende Methoden sowohl in Simulationen als auch in realen Szenarien konsistent übertrifft.