研究人员开发了UniAda，一种新颖的对抗攻击方法，旨在测试端到端自动驾驶系统的鲁棒性。这种白盒技术可以生成图像无关的扰动，同时影响转向和速度控制，这与以往主要关注转向的方法不同。UniAda利用具有自适应加权方案的多目标优化函数来实现其目标。在模拟和真实世界数据上的实验表明，UniAda的性能显著优于现有基准，导致转向和速度出现重大偏差。 AI
影响 增强了对自动驾驶汽车等安全关键AI系统对抗性漏洞的理解。
排序理由 学术论文，详细介绍了一种针对自动驾驶系统的新型对抗攻击方法。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2604.23362v1 Announce Type: cross Abstract: Adversarial attacks play a pivotal role in testing and improving the reliability of deep learning (DL) systems. Existing literature has demonstrated that subtle perturbations to the input can elicit erroneous outcomes, thereby sub…