arXiv cs.AI· Alexandros Gkillas, Ioulia Kapsali, Christos Anagnostopoulos, Aris S. Lalos·· 13 小时前AI 评分26
LiDAR-SHIELD：面向 LiDAR 3D 感知模型的全 Docker 化对抗鲁棒性评估框架
LiDAR-SHIELD: A Fully Dockerized Adversarial Robustness Assessment Framework for LiDAR-Based 3D Perception Models
AI 导读
LIDARSHIELD 是一个全 Docker 化的对抗鲁棒性评估框架，通过 /info、/forward、/gradient 三个轻量 HTTP 端点接入任意 LiDAR 3D 感知模型，新模型或数据集只需一个 loader 函数或适配器即可接入。
正文 · AI 翻译
摘要：基于 LiDAR 的 3D 感知是自动驾驶与机器人技术的基石，但要安全部署这些模型，就必须在真实使用前用对抗性输入对它们进行压力测试。尽管已有最先进的对抗攻击方法，但其实现往往分散在各自的代码库中，每个都绑定于特定架构或任务，并且需要手动重建环境和编写模型特定的集成代码。我们提出 LIDARSHIELD，一个统一且完全 Docker 化的框架，它反转了这一工作流程：LIDARSHIELD 不把目标模型安装到工具包内部，而是通过三个轻量级 HTTP 端点（即 /info、/forward 和 /gradient）暴露任意模型。因此，接入新模型或数据集只需一个加载函数或适配器。该框架通过同一套引擎-服务协议同时支持 3D 语义分割和 3D 目标检测，并集成了一套任务感知的最先进攻击方法，包括用于分割的 PGD 和 Square Attack，以及用于检测的点扰动、点移除、点注入和 LiDAttack。这能够系统性地暴露异构 LiDAR 主干网络中的边界情况和漏洞。LiDAR-Shield 代码库已公开于 此 https URL。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.39848 [cs.CV] |
| （或 arXiv:2610.39848v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.39848 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Alexandros Gkillas [查看邮箱]
[v1]
2026年10月29日 星期四 11:27:53 UTC（148 KB）
来源：arXiv cs.AI · arxiv.org