LiDAR-SHIELD：全 Docker 化激光雷达 3D 感知对抗鲁棒性评…
工具AI 评分 68/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究团队发布 LiDAR-SHIELD，一个完全 Docker 化的对抗鲁棒性评估框架，面向基于激光雷达的 3D 感知模型。该框架不把目标模型装进工具包，而是要求模型暴露 /info、/forward、/gradient 三个轻量 HTTP 端点，接入新模型或数据集只需一个 loader 函数或适配器。同一引擎-服务协议同时支持 3D 语义分割与 3D 目标检测，内置 PGD、Square Attack 以及点扰动、点删除、点注入、LiDAttack 等攻击方法，代码已公开。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载反转的接入方式
现有对抗攻击实现分散在各自仓库中，往往绑定特定架构或任务，使用者需要手工重建环境并编写模型专用集成代码。LiDAR-SHIELD 把这一流程反过来：目标模型不必安装进工具包，只需对外提供 /info、/forward、/gradient 三个轻量 HTTP 端点。这样一来，接入一个新模型或新数据集的工作量被压缩到一个 loader 函数或适配器，评估流程与模型实现解耦。
覆盖的任务与攻击
框架用同一套引擎-服务协议同时支撑 3D 语义分割和 3D 目标检测。分割侧集成 PGD 与 Square Attack；检测侧集成点扰动、点删除、点注入与 LiDAttack。借助这些任务感知的攻击组合，可以在不同激光雷达骨干网络上系统性地暴露边角案例与脆弱点，而不必为每种骨干单独搭建攻击环境。
交付形态与获取
整个框架以 Docker 化形式交付，降低了环境重建成本，也使评估结果在不同机器上更易复现。论文摘要说明代码库已公开，读者可直接获取并接入自有模型做压力测试。材料未给出支持的模型清单、评测数据集范围或具体性能数据，实际适用性需以代码库内容为准。
为什么值得看
把分散的激光雷达对抗攻击实现统一到可复用的 Docker 框架里，接入新模型只需一个适配器，便于自动驾驶感知团队做上线…
论文数据集
信源1 家
关键事实
相关 · 工具
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。