Embodied Laser Attack:Leveraging Scene Priors to Achieve Agent-based Robust Non-contact Attacks

要約

物理的な敵対的攻撃が、セキュリティ クリティカルなシナリオ、特に動的なシナリオの潜在的なリスクを明らかにするために広範囲に適用されるようになるにつれて、環境の変化に対する脆弱性も明らかになりました。
物理的敵対的攻撃方法の堅牢ではない性質により、結果的にパフォーマンスが不安定になります。
EOT などの方法は、敵対的パッチなどの従来の接触攻撃の堅牢性を強化しましたが、トラフィック シナリオなどの動的環境内での実用性と隠蔽性の点で不十分です。
一方、非接触レーザー攻撃は適応性が向上しますが、その属性の最適化スペースが限られているため制約に直面し、EOT の効果が低下します。
この制限は、そのような慣行の堅牢性を強化するための新しい戦略を開発する必要性を強調しています。
これらの問題に対処するために、この文書では、知覚-決定-制御の身体化インテリジェンスのパラダイムを活用して、非接触レーザー攻撃を動的に調整する新しいフレームワークである身体化レーザー攻撃 (ELA) を紹介します。
知覚モジュールについては、フル画像変換によって被害者の視点をシミュレートするという課題を考慮して、ELA は交通現場の固有の事前知識に基づいて、効果的かつ効率的な推定を可能にするローカル視点変換ネットワークを革新的に開発しました。
意思決定および制御モジュールでは、ELA は時間のかかるヒューリスティック アルゴリズムを採用する代わりに、データ駆動型の強化学習を使用して攻撃エージェントをトレーニングします。これにより、適切に設計された報酬によって知覚された情報を使用して有効な攻撃戦略を瞬時に決定できるようになります。
制御可能なレーザーエミッターによって実行されます。
実験的に、私たちのフレームワークをデジタル世界と物理世界の両方の多様な交通シナリオに適用し、動的に連続するシーンでの方法の有効性を検証します。

要約(オリジナル)

As physical adversarial attacks become extensively applied in unearthing the potential risk of security-critical scenarios, especially in dynamic scenarios, their vulnerability to environmental variations has also been brought to light. The non-robust nature of physical adversarial attack methods brings less-than-stable performance consequently. Although methods such as EOT have enhanced the robustness of traditional contact attacks like adversarial patches, they fall short in practicality and concealment within dynamic environments such as traffic scenarios. Meanwhile, non-contact laser attacks, while offering enhanced adaptability, face constraints due to a limited optimization space for their attributes, rendering EOT less effective. This limitation underscores the necessity for developing a new strategy to augment the robustness of such practices. To address these issues, this paper introduces the Embodied Laser Attack (ELA), a novel framework that leverages the embodied intelligence paradigm of Perception-Decision-Control to dynamically tailor non-contact laser attacks. For the perception module, given the challenge of simulating the victim’s view by full-image transformation, ELA has innovatively developed a local perspective transformation network, based on the intrinsic prior knowledge of traffic scenes and enables effective and efficient estimation. For the decision and control module, ELA trains an attack agent with data-driven reinforcement learning instead of adopting time-consuming heuristic algorithms, making it capable of instantaneously determining a valid attack strategy with the perceived information by well-designed rewards, which is then conducted by a controllable laser emitter. Experimentally, we apply our framework to diverse traffic scenarios both in the digital and physical world, verifying the effectiveness of our method under dynamic successive scenes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google