Invisible Reflections: Leveraging Infrared Laser Reflections to Target Traffic Sign Perception

所有车辆都必须遵守交通行为规则，无论是人驾驶的还是联网自动驾驶车辆（CAVs）。道路标志指示本地有效规则，如限速和让路或停车要求。最近的研究表明，攻击，例如在标志上添加贴纸或投影彩色补丁，会导致CAV错误解释，从而导致潜在的安全问题。人类可以看到并潜在地防御这些攻击。但是人类无法检测到他们无法观察到的事物。我们开发了一种有效的物理世界攻击，利用无滤波图像传感器的灵敏度和红外激光反射（ILRs）的特性，这对人类是不可见的。该攻击旨在影响CAV相机和感知，通过诱导错误分类来破坏交通标志识别。在这项工作中，我们制定了基于ILR的交通标志感知攻击的威胁模型和要求。我们使用四个红外感光相机对两种主要的交通标志识别架构进行了真实世界实验，评估了ILR攻击的有效性。我们的黑盒优化方法允许攻击在室内静态场景中达到高达100％的攻击成功率，在室外移动车辆场景中达到> 80.5％的攻击成功率。我们发现，最新的可证明防御对ILR攻击无效，因为它在> 33.5％的情况下进行了错误认证。为了解决这个问题，我们提出了一种基于IR激光反射物理特性的检测策略，可以检测96％的ILR攻击。

本论文旨在解决利用红外激光反射（ILR）攻击连通自主车（CAV）的交通标志识别系统，从而导致潜在的安全问题。

利用红外激光反射（ILR）攻击CAV的摄像头和感知系统，导致交通标志的误分类。

论文通过真实世界实验评估了ILR攻击的有效性，黑盒优化方法使攻击在室内静态场景下达到了100％的攻击成功率，在室外移动车辆场景下达到了> 80.5％的攻击成功率。最新的认证防御策略对ILR攻击无效，误认率高达> 33.5％。论文还提出了一种基于IR激光反射物理特性的检测策略，可以检测到96％的ILR攻击。

在这个领域中，最近的相关研究包括“Robust Physical-World Attacks on Deep Learning Visual Classification”和“Adversarial Machine Learning at Scale”。