CVPR 2026 · 空地协同感知 · 主文已阅读
真实车辆—无人机协同感知数据集
V2U4Real: A Real-world Large-scale Dataset for Vehicle-to-UAV Cooperative Perception
本文提供真实车辆与无人机同步采集的数据,适合先搭建空地协同检测、跟踪和延迟测试基线;采集主要是一车一机、约50米飞行高度,不能直接代表多无人机或任意高度场景。
阅读介绍与实现思路
研究问题
地面车辆会被遮挡,已有空地数据又多来自仿真;真实无人机的俯仰、滚转与传感器差异使跨视角对齐更困难。
为什么要做这项研究
建立同步采集、跨传感器统一标注的真实基准,使方法改进能在实际空地几何差异下比较。
主要贡献
- 提供44个真实场景,约5.62万LiDAR帧、5.62万图像和70.28万个3D框。
- 统一跨传感器目标ID,并设置单体检测、协同检测与检测后跟踪任务。
- 比较多种融合方法,单独报告50—100米远距离和延迟条件。
方法怎么做
车辆与无人机各采集LiDAR和RGB,GPS/IMU初始化位姿后经GICP与人工校正;统一坐标和目标ID,再用协同感知的早期、特征级和后期融合建立基线。它是数据集与评测论文,不是新融合网络。
论文中的证据
第7页表3:同一协同评测设置下,车端No Fusion的AP@0.5/0.7为27.53/12.75,CoAlign同步为56.67/36.61,加入(0,1000]ms延迟后为50.81/33.33。第8页表5的CoAlign AMOTA为22.08,车端为11.73。
资源与实现条件
协同检测采用PointPillars,40 epochs,每张RTX3090 batch size=4,初始学习率0.002,AdamW;跟踪采用AB3DMOT。
局限与适用范围
- 只采集一车一机,约50米高度;多机数量、任意高度、强风等泛化没有由本实验直接证明。
- 主文主要展示验证集;部署前应核对测试划分、传感器设置与数据使用许可。
我们可以怎样尝试(尚未验证)
- 先复现车端、Late Fusion、CoAlign;固定划分,注入0/100/300/500ms延迟和俯仰误差,分别报告近/远距离AP、AMOTA及每帧字节数。
- 再比较姿态不确定性加权是否降低错配;新方法收益必须超过多随机种子的基线波动。
复现资源
论文给出作者仓库VjiaLi/V2U4Real;本轮未下载整个数据集、未训练复现。
论文所列数据与代码入口
阅读范围:主文第1—8页;参考文献第9—10页;独立补充材料未读。 · 审阅:2026-10-22
显示英文原文依据与页码
real-world multi-modal dataset · geometric mismatch · Vehicle-to-UAV · 10 Hz · 50.81%/33.33%
CVPR 2026 · 空地协同感知 · 主文已阅读
面向远距离感知的稀疏查询生成与协同匹配
Long-SCOPE: Fully Sparse Long-Range Cooperative 3D Perception
本文研究远距离目标看不清、不同节点查询匹配不准的问题,可借鉴无人机高度先验和上下文匹配,在低通信量下融合空地信息;空地结果来自Griffin仿真,真实空地泛化还需验证。
阅读介绍与实现思路
研究问题
远目标小、观测误差大;BEV随感知范围扩大带来开销,固定距离阈值容易误配或丢弃互补目标。
为什么要做这项研究
高空视角下目标的全局高度比分散的深度更稳定,目标周围的相对结构也比绝对投影坐标更抗位姿误差。
主要贡献
- GQG以二维候选和几何先验产生动态3D查询。
- CAA融合节点内局部上下文和节点间语义,再用部分匹配保留自车不可见目标。
- 在Griffin-25m与V2X-Seq上扩展远距离检测、跟踪评测。
方法怎么做
稀疏查询融合:图像特征生成静态与动态查询,单体细化后投影对齐;CAA局部注意力编码邻域结构,全局注意力不使用位置编码;Sinkhorn部分匹配结合可匹配置信度筛选,未匹配的互补目标保留。
论文中的证据
第6页表1:Griffin整体AP从SparseCoop的0.265升至0.354,传输1.90×10^5 B/s,7.68 FPS;表2:V2X-Seq 100—150米AP为0.113,对比SparseCoop 0.031。表1中去掉CAA的50—100米AP反而为0.155,高于完整模型0.151,不能称所有分段都最佳。
资源与实现条件
ResNet50;900静态查询,最多40动态查询;CAA 4层;单体48 epochs+协同24 epochs;总batch16,4张RTX3090。
局限与适用范围
- 远距离绝对AP仍低;7.68 FPS是论文硬件结果,不能自动等同车载实时达标。
- 空地侧仅Griffin仿真;真实V2U4Real、强姿态扰动和恶劣天气需要新实验。
我们可以怎样尝试(尚未验证)
- 在Griffin先对齐SparseCoop基线,分别比较静态查询、GQG、CAA及组合;报告50—100米AP/AMOTA、每秒字节数和端到端时延。
- 再迁移到V2U4Real相机配置,按无人机高度与姿态噪声分组;检查高度先验何时失效。
复现资源
已核对主论文的实现细节;本轮未找到主论文中明确的作者代码入口,未运行代码。
阅读范围:主文第1—8页;后续为致谢、参考文献。 · 审阅:2026-10-22
显示英文原文依据与页码
fully sparse framework · alignment errors · Context-Aware Association · Geometry-guided Query Generation · 7.68 FPS
ICLR 2026 · 智能体 · 主文已阅读
让驾驶智能体按需寻找视觉证据
DriveAgent-R1: Advancing VLM-based Autonomous Driving with Active Perception and Hybrid Thinking
本文让驾驶智能体决定何时查看侧视图、放大区域或调用视觉工具,可借鉴其“信息不够才请求”的机制设计无人机协助感知;当前是单车高层规划,秒级推理和私有训练数据限制了直接复现与实时部署。
阅读介绍与实现思路
研究问题
固定视角可能缺关键信息,而把所有视角都输入模型又浪费计算并引入干扰。
为什么要做这项研究
模拟驾驶员按需要查看后视镜或看清交通灯,让模型同时学会使用工具与决定是否使用。
主要贡献
- Qwen2.5-VL-3B基础上引入视角检索、区域放大、深度和3D检测工具。
- 先做驾驶域对齐,再做双模式SFT、强制双模式RL与自适应选择RL。
- 用工具调用收益与代价训练选择策略,并进行去图像、强制模式等消融。
方法怎么做
主动感知智能体从前视图、车速和导航生成未来8秒的4个离散驾驶意图。文本模式直接输出;工具模式交替获取视觉证据,最多调用3次工具。它没有实现车—无人机多智能体通信。
论文中的证据
第9页表6:内部集自适应序列准确率45.42%,模式选择准确率68.52%;表8的自适应推理6.74秒,强制工具7.91秒。第8页DriveBench中其规划分数61.89仍低于DriveLM的68.71;轨迹头为开环评测,不是实车闭环安全证明。
资源与实现条件
3B模型;训练8张H20;时延用单张H20、batch1测量。不能把3B参数量等同低成本完整复现。
局限与适用范围
- 附录第31页出现把行人红灯误当车辆信号灯的失败;新增视角可能覆盖原本正确判断。
- 私有训练集、秒级时延、开环评测,以及单车工具调用,都限制直接搬到空地实时闭环。
我们可以怎样尝试(尚未验证)
- 先在离线空地数据上把工具替换为“请求无人机区域特征”,比较固定周期请求、置信度阈值请求、学习型请求;记录感知提升/每KB、请求次数与延迟。
- 增加证据冲突核验:新视角与已有目标几何、信号灯归属矛盾时拒绝覆盖;先测高层决策,不接实车控制。
复现资源
作者项目页已由论文提供;本轮未核实完整私有训练集开放情况、未训练或部署。
作者项目页
阅读范围:主文第1—10页;另核对工具、奖励、评测和失败案例附录。其余附录示例以完整原页保留,未逐例复核。 · 审阅:2026-10-22
显示英文原文依据与页码
active perception · passive perception · hybrid-thinking framework · Cascaded Reinforcement Learning · 6.74s
CVPR 2026 · 攻击检测 · 主文已阅读
不预设某辆车可信的时序攻击检测
All Vehicles Can Lie: Efficient Adversarial Defense in Fully Untrusted-Vehicle Collaborative Perception via Pseudo-Random Bayesian Inference
本文利用前后帧感知一致性和分组验证寻找恶意车辆,可借鉴其低验证开销的时序信任更新;它仍要求初始帧正确、攻击集合固定且至少有一个良性节点,不能理解为完全不需要可信依据。
阅读介绍与实现思路
研究问题
协同感知共享特征可被污染,且自车传感器也可能被攻击;逐车检查开销随节点数增长。
为什么要做这项研究
正常相邻帧输出通常相似,可以用已验证历史结果作为参照,再利用分组验证统计降低当前帧检查次数。
主要贡献
- 用相邻帧检测结果一致性触发异常检查。
- 伪随机两组验证加贝叶斯更新,同时估计攻击者数量与身份。
- 给出收敛分析和V2X-Sim多攻击比例评测。
方法怎么做
时序信任检测先以历史可靠结果计算Jaccard一致性;对协作车辆分两组验证,累计每车正常/异常次数;估计攻击数量、良性概率,并在收敛前后选择可接受节点。两组均异常时还会递归搜索。
论文中的证据
第6页表2平均每帧2.5次验证,攻击比例80%时最大8次;第7页表3中V2VNet+PGD的AP@0.5由17.02恢复至68.93,无攻击为80.73。表4在40%攻击比例下出现6%良性误判;第8页大规模高攻击比例时收敛可达数百帧。
资源与实现条件
LiDAR同构特征级协同;比较ROBOSAC、PASAC;额外验证次数与真实端到端时延需分别报告。
局限与适用范围
- 正确初始帧、稳定恶意集合、存在良性节点、时序一致性可区分正常与攻击,都是重要条件。
- 真实快速转弯、遮挡突变、空地视角变化可能造成类似攻击的不一致;本文没有直接验证空地场景。
我们可以怎样尝试(尚未验证)
- 先用离线协同特征复现PRBI,与静态ego参照和逐车验证比较;加入正常急转弯、通信延迟及初始帧污染,报告误报、漏报、识别时延与AP。
- 用可见性/运动补偿校正历史参照,并单独检验动态加入或退出的恶意节点;这些是待验证改进。
复现资源
主文有算法描述;完整理论证明在独立附录,本批未核对。本轮未发现明确作者代码入口,未实现攻击或复现实验。
阅读范围:主文第1—8页;独立补充材料中的完整证明未读。 · 审阅:2026-10-22
显示英文原文依据与页码
Pseudo-Random Bayesian Inference · fully untrusted-vehicle · temporal perceptual discrepancies · initial frame’s perception is entirely correct · 2.5 verifications
ICML 2026 · 攻击检测 · 主文已阅读
用特征结构、语义和能量识别协同感知攻击
The Latent Guardian: Defending Collaborative Perception via Feature-Level Consistency Verification
本文从共享特征内部的一致性检测攻击,并用感知不确定性调节阈值,适合研究如何区分正常噪声与恶意信息;它仍依赖ego特征参照,对自车看不到的目标防护明显更弱,空地视角差异还需重新标定。
阅读介绍与实现思路
研究问题
隐蔽攻击可能让输出框看起来正常,而环境噪声又容易触发固定阈值误报。
为什么要做这项研究
共享特征应与物理场景相关,在结构、语义方向和幅度上有规律;跨维度核验再结合当前不确定性调阈值。
主要贡献
- 按方位角交错分组,降低两组可见范围的几何偏差。
- 结合SSIM结构差异、余弦语义差异和幅值差异作为异常分数。
- 按历史正常统计和ego特征熵自适应设置阈值,并测试自适应攻击、持续攻击与真实数据。
方法怎么做
特征一致性防御将协作节点交错分组,组内特征对齐融合;与ego特征比较三个维度,异常组递归定位;以历史窗口和归一化特征熵调整阈值。几何方位均衡并不自动保证完全相同的视野。
论文中的证据
第6页表1:AttFusion下TOR(In)攻击成功率4.19%,TOR(Out)仍32.62%;0.05%只是特定MOR配置,不能概括全部攻击。第17页表17:V2V4Real的AttFusion ASR从44.26%降至9.05%。第16页表12:5/40节点端到端防御时延67.71/259.72ms。
资源与实现条件
λ=(0.3,0.3,0.4),初始阈值0.23,β=0.1;AttFusion、CoAlign、Where2comm、V2VAM。训练框架与参数在附录,但本轮未验证作者代码可执行性。
局限与适用范围
- ego特征是参照;不能与PRBI一样声称允许自车输入任意受损。
- ego不可见目标的攻击成功率仍较高;两车可视化不等于复杂开放道路安全验证。
- 空地异构传感器、俯仰和大高度差会改变正常特征分布,直接套阈值可能误杀有益信息。
我们可以怎样尝试(尚未验证)
- 在同一套离线协同特征上比较固定阈值、仅熵调节和完整Cerberus;把恶劣天气/姿态误差与恶意扰动分组,报告误报率、ASR、AP和防御时延。
- 研究可见区域掩码加跨帧证据,减少对ego不可见区域的错误拒绝;需用TOR(Out)单独检验。
复现资源
官方PMLR提供完整17页PDF及OpenReview;本轮未发现明确作者代码链接。PMLR的GitHub PDF托管不是算法代码仓库。
阅读范围:主文与第11—17页附录已读;未运行代码。 · 审阅:2026-10-22
显示英文原文依据与页码
Feature-Level Consistency Verification · high false positive rates · Uncertainty-Aware Adaptive Decision · ego feature · 259.72 ms
USENIX Security 2026 · 空地协同感知 · 主文已阅读
FIRA:无人机失联后,如何追查在线学习模型是否导致事故
FIRA: Enabling Automatic Forensic Investigation of Unmanned Aerial Vehicles
本文研究在线学习无人机失联后的事故归因,可借鉴“模块因果图+低带宽模型快照”设计空地协同系统黑匣子;验证仅限仿真,且假设通信、日志和地面站可信,不是实时攻击拦截器。
阅读介绍与实现思路
研究问题
无人机的在线学习模型可能在飞行中变化,事故后机体又可能无法回收。只保存传统遥测无法知道当时模型变成了什么,也无法把一次误识别与最后的控制动作对应起来。
为什么要做这项研究
需要在事故发生前留存一组足够小、但能解释事故的证据:既追踪固件模块之间的数据流,也追踪对决策贡献大的模型部分,再按时间把它们连起来。
主要贡献
- 构建连接神经网络、固件模块和控制执行器的完整因果图,而不是仅分析模型分类结果。
- 按照输出贡献选择神经元组及其在线更新,减少向地面站同步模型所需的数据。
- 从执行器异常向前回溯事件并重建近似模型,用可插拔模型检测器区分模型投毒与其他事故因素。
方法怎么做
飞行前静态分析固件二进制,提取包含中间件通信的模块因果图;再用神经元归因构建模型因果图并合成无人机因果取证图。飞行时选择性回传模块事件和重要神经元组更新;地面站按时间回溯异常执行器路径,重建模型状态,并用ABS后门分析检查被怀疑的输出类别。
论文中的证据
PDF第11—12页:48例中46例正确归因(95.8%),但完整找出所有被投毒类别仅35/48(72.9%),两者不是同一指标。有一例随上传神经元增加,正常行为反而遮蔽了投毒特征,说明更多数据不必然更易检测。第12页报告0.1Mbps下传输70组神经元平均约1.8秒,这是更新传输时间,不是实时控制时延。
资源与实现条件
OpenUAV结合Gazebo、ROS2、PX4与ArduPilot进行软件在环实验;视觉模型为MobileNetV2,在线更新batch为32。实现涉及Python、IDA Pro、Captum及PyTorch。论文实验主机为Ubuntu20.04、128GB内存和A6000;这是仿真/地面站环境,不能当成机载算力需求。
局限与适用范围
- 所有验证均为仿真;没有实机飞行、LiDAR/IMU模型或多机协同事故实验。
- 假设地面站、通信通道和日志可信,排除中间人/干扰、日志篡改、机载恶意代码执行等威胁;无法直接处理证据本身被污染的情况。
- 依赖预飞模型归因与后续模型检测器,CNN之外的模型分组只是讨论;部分带宽配置会漏检或出现非单调效果。
- 正文不同位置的检测百分比口径不完全一致,推荐只使用可核对的46/48事故归因与35/48全类别恢复,不混用。
我们可以怎样尝试(尚未验证)
- 先在Gazebo/PX4的单机任务比较全量日志、均匀采样和贡献度采样;只注入可控的感知故障,报告归因准确率、因果路径覆盖率、上传字节数及调查耗时。
- 在固定任务下加入延迟和丢包,检验关键证据缺失时能否输出“不足以归因”;之后再研究用ARTO类执行完整性证据验证日志来源,不能直接假定两系统已经兼容。
复现资源
官方PDF列出Zenodo原型包,已核对入口可访问;本轮只下载论文,未下载或运行代码、未搭建IDA/仿真环境。需要先核对固件版本和数据采集脚本;实验数字属于作者报告。
作者原型与实验资源(Zenodo)
阅读范围:PDF第2—16页正文、讨论和开放资源;第21页附录A—C。核对图1—3、表1—4、算法1与式(1)—(2)。参考文献未逐篇追读;未运行代码。 · 审阅:2026-10-23
显示英文原文依据与页码
Full Causal Graph · bandwidth constraints · Causal Data Transfer · Timeline Reconstruction · 46/48 cases
USENIX Security 2026 · 智能体 · 主文已阅读
AttriGuard:执行工具调用前,检查动作是否真正来自用户任务
AttriGuard: Defeating Indirect Prompt Injection in LLM Agents via Causal Attribution of Tool Invocations
本文把智能体防护从“识别可疑文字”改为“执行前核验动作依据”,适合设计消息驱动的高层协作安全检查;自适应攻击仍有绕过,测试中的完整任务耗时约增至三倍,不宜直接放进毫秒级飞控闭环。
阅读介绍与实现思路
研究问题
智能体读取网页、邮件或其他工具结果时,可能把外部文字中的指令当作用户命令。危险不只在内容看起来像攻击,更在于它是否改变了下一次工具调用。
为什么要做这项研究
把验证对象从一段文字改为一个待执行动作:减弱外部内容的命令性以后,这个动作是否仍然能由原任务推出?同时固定过去行动,尽量只比较观察变化的影响。
主要贡献
- 以动作级因果归因为防护目标,区分任务需要的调用与观察诱导的调用。
- 提出分层控制弱化、固定历史行动的影子回放,以及函数名/参数的分级一致性检查。
- 同时报告静态攻击、自适应攻击、任务效用、延迟与辅助模型敏感性,而不是只报告单一攻击成功率。
方法怎么做
主智能体先提出工具调用但暂不执行;辅助模型对外部观察进行结构展开、第三人称改写和因果语气弱化。影子智能体沿相同历史动作回放,在弱化后的观察下提出调用;比较函数名、规范化参数及任务条件下的语义一致性。通过检查的主调用才进入执行器;影子调用不真实执行。这是间接提示注入的动作因果归因防护,不验证事实本身真假。
论文中的证据
PDF第12页表1:AgentDojo四种静态攻击下ASR为0%;Gemini的BU为67.39%、UA为52.32%。第14页表5的61个自适应实例、每例200次查询下,Gemini和Llama的ASR仍为6.56%和9.84%。第21页表7中ASB平均ASR分别为17.00%和38.19%,并非零;作者解释部分实例的敏感调用已被用户请求,和纯间接注入定义不同。第13页表3:完整任务耗时Gemini为32.40秒对11.48秒、Llama为41.22秒对14.23秒,不能当成每次调用延迟。
资源与实现条件
测试Gemini2.5-Flash、GPT-4.1-mini、Qwen3-32B和Llama3.3-70B;辅助模型默认GPT-4.1-mini。静态测试用第二级弱化,自适应测试用第三级。需要额外模型调用和完整轨迹缓存;成本应计入辅助调用,不能只看主智能体token数。
局限与适用范围
- 不处理仅篡改最终文字回答的攻击,也不覆盖用户明确授权执行外部内容全部指令的情形。
- 自适应失败案例中,访问网站等动作同时像正常子任务,恶意目的与合法目的重叠,仍可通过检查。
- 长轨迹、模型随机性、辅助模型能力和提示词变化会影响误报;Llama在Travel任务的正常效用下降约20%。
- 只在工具型LLM智能体上验证;没有多无人机、道路协同或实时控制实验。不同测试集的ASR定义与筛选范围需要同时说明。
我们可以怎样尝试(尚未验证)
- 先在隔离的AgentDojo任务上比较无防护、文本过滤和影子动作检查,记录ASR、BU、UA、完整任务延迟及全部模型调用成本。
- 针对空地高层任务,把外部消息内容与用户授权动作分开,先保护任务重规划、资源查询等接口;加入“看似合理的子任务”案例检验误放行。不上真实车辆和账号,不进入底层控制闭环。
复现资源
已核对作者Zenodo资源入口;本轮未运行基准或作者代码,外部技术报告中的完整攻击控制器和提示词尚未核验。复现需固定模型版本、弱化等级、任务筛选和随机配置,并单独计费辅助调用。
作者评测资源(Zenodo)
阅读范围:PDF第2—16页正文与讨论、第19—21页附录A—C;核对图1—3、表1—8、算法1、式(1)—(5)及未编号定义。外部技术报告中的完整提示词未追读;未运行代码。 · 审阅:2026-10-23
显示英文原文依据与页码
action-level causal attribution · untrusted tool outputs · shadow replay · teacher-forced · ASR on ASB does not drop to zero
USENIX Security 2026 · 攻击检测 · 主文已阅读
GBHINDER:用本地历史模型净化联邦图学习中的共享模型
Fend for Yourself! Backdoor Purification in Federated Graph Learning with an Evolving Knowledge Anchor
本文让客户端用可信的历史模型约束下载的共享模型,适合借鉴到车辆或无人机的联邦图学习防后门;它需要干净的本地数据和额外训练,强异质性及自适应攻击下仍有漏防,不能直接当作实时消息检测器。
阅读介绍与实现思路
研究问题
联邦图学习中,恶意客户端可以让共享模型携带后门;正常客户端的数据和拓扑本来就不同,单看更新异常难以区分数据异质性和攻击。
为什么要做这项研究
可信来源应首先是客户端自己的干净历史,但这段历史不能永远不变。因此需要同时解决“用什么约束共享模型”和“怎样安全地更新约束参照”。
主要贡献
- 把后门净化放在正常客户端,不要求服务器查看或过滤每个客户端更新。
- 通过节点度加权的通道注意力、历史浅层与当前深层对齐,以及邻接特征一致性来抑制后门传播。
- 用图结构扰动下的稳定性分数调节动量,有选择地更新历史知识,平衡防御与协同收益。
方法怎么做
客户端首次参与时用干净本地数据训练历史锚点,之后保留最近一次净化后的本地模型。下载全局模型后,以历史知识锚点的浅层通道注意力约束当前深层,并加上图邻接特征平滑损失。再通过随机增删边测试稳定性,调整动量系数更新锚点;上传净化后的参数,服务器仍采用普通聚合。这里的“不依赖可信服务器”不等于不需要可信本地数据。
论文中的证据
PDF第10页表1的16种默认组合中ASR为2.35%—9.75%;NCI1/Opt-GDBA由87.11%降到6.51%,干净任务ACC为79.88%。但第12页表2的AIDS强异质性设置ASR为11.15%;第21页表14的自适应攻击在DD上为18.62%。第21页表15更难的测试中,NCI1默认50%采样时客户端耗时3.8260秒,对FedAvg的0.5012秒;降低采样能降成本,也可能削弱防御。
资源与实现条件
默认GIN、FedAvg、10个客户端每轮选5个,恶意客户端20%,本地10轮Adam训练、学习率0.01;对比4类图后门和5类防御,重复5个种子报告均值。还需存一份历史模型及额外图/特征运算,原文开销在单机GPU环境测量,非车载端实测。
局限与适用范围
- 正常客户端需要干净本地数据与可信模型状态;历史被污染、节点长期离线或分布突变的风险未被普遍排除。
- 摘要中的ASR低于10%只概括默认主表,不覆盖全部附录与强异质性、自适应攻击设置。恶意客户端比例升高时,全局模型与净化后本地模型的安全性也不同。
- 没有服务器额外防御开销,但客户端时间与存储增加明显;不能据此称为免费或轻量防御。
- 邻接特征一致性隐含相邻节点应较相似;迁移到异配图、动态交通交互图需重新检验,论文没有证明这些场景有效。
- 部分正文与表格存在记载差异,例如触发节点数正文写3—5而表13列2—4;复现应以配置和代码为准并记录差异。
我们可以怎样尝试(尚未验证)
- 先在公开图基准复现FedAvg、只微调、固定历史锚点和完整方法;固定划分与种子,联合报告ACC、ASR、每轮耗时、显存和历史模型存储。
- 再把车辆交互表示为动态图,逐项测试客户端掉线、非IID和拓扑变化;比较静态锚点与稳定性更新是否把正常交通变化误当攻击。联邦训练防御和推理时消息检测分开评测。
复现资源
已核对论文所列Zenodo代码及数据入口,本轮未运行。公式、消融和设置较完整,但硬件记载、部分表文差异及不同开销测试的威胁配置应在复现前核对;不把本文数字视为已复现结果。
作者代码与数据(Zenodo)
阅读范围:PDF第2—15页正文、讨论与开放资源,第18—21页附录A—G;核对图1—7、表1—15、算法1、式(1)—(18)。未运行代码。 · 审阅:2026-10-23
显示英文原文依据与页码
trusted historical knowledge · Local Data Insufficiency · Historical Channel Attention Regularization · Adaptive Momentum Information Update · Computational Overhead
USENIX Security 2026 · 攻击检测 · 主文已阅读
BADControl:传统PID/LQR控制器也可能因训练数据污染而藏有后门
BADControl: Backdoor Attacks Against Control Systems
本文提醒我们:感知模型正常,不代表底层控制器就安全,数据驱动整定的PID/LQR也可能隐藏危险频率响应;可借鉴其闭环增益约束和数据来源审计做协同驾驶防御,但结论依赖训练数据受污染及特定控制设置。
阅读介绍与实现思路
研究问题
自动驾驶安全研究通常关注感知网络或规划策略,但PID和LQR参数也可能由采集轨迹整定。参数不多、平常表现稳定,并不能排除只在某种外部变化下出现的危险放大。
为什么要做这项研究
应把数据可信性审计延伸到控制器整定,并用闭环物理量检查最坏情况,而非只检查正常工况跟踪误差或神经网络安全。
主要贡献
- 把控制器数据污染与选择性异常响应联系起来,区分日常稳定性和特定输入下的安全性。
- 在CARLA和低速实验机器人上验证数据驱动PID/LQR的风险,设置同一扰动下干净控制器作为对照。
- 比较普通正则化和针对LQR的鲁棒优化,使用矩阵S-引理将不确定性约束转为可求解的矩阵不等式。
方法怎么做
研究分成离线数据污染分析与在线闭环安全评测:数据驱动整定决定PID/LQR参数,安全评估检查环境变化是否被闭环异常放大。防御端先做参数正则化,再对LQR使用H无穷闭环增益约束和鲁棒控制优化,要求给定不确定集内的系统都满足增益界限。推荐借鉴的是防御建模与验证思路,不把攻击场景当作真实道路部署指南。
论文中的证据
PDF第10页表2:较低扰动幅度组中,受污染PID/LQR的ACC碰撞率为33.33%/77.78%,较高幅度组才达到100%;同扰动下干净控制器为0%。第11页表3的LKC越线比例为61.99%/43.03%,不是碰撞概率。第13页报告Acero每种控制器30次测试,LQR未发现碰撞、PID只发现1次。第14页表6中,普通正则化未改善ACC-LQR的14.31dB峰值;附录图12展示鲁棒优化削弱共振,不能由此宣称任意车辆绝对安全。
资源与实现条件
仿真比较数据驱动PID与LQR;实物机器人带LiDAR、摄像头、编码器和Odroid XU4。作者资源包含MATLAB、CARLA及需要硬件的机器人部分。论文假设受害控制器没有额外规避策略,实验只能在隔离仿真或受控低速台架中复核。
局限与适用范围
- 威胁成立需要控制器整定数据受污染,并具备激发异常闭环响应的环境条件;并非普通PID/LQR部署都会自然带有后门。
- 100%是特定强扰动测试组的结果;不能推广到所有速度、间距、车辆或真实道路。机器人测试规模小。
- 假设没有额外规避/安全监控,复杂多车辆受害者和其他控制器主要留作未来工作。
- 鲁棒保证只在所用线性化模型、扰动界限和可行优化条件内成立;不等于整个非线性驾驶系统的碰撞零风险证明。
- 若参数正则趋于极大,控制敏感性降低也可能牺牲任务性能,不能只以压低增益评价防御。
我们可以怎样尝试(尚未验证)
- 在隔离CARLA环境先审计控制器训练轨迹来源,对比普通整定、正则化和闭环鲁棒约束;联合报告正常跟踪误差、增益上界、碰撞/越线和控制输入平滑性。
- 针对协同驾驶,研究邻车消息误差经控制环放大的风险,用有界、非攻击性的扰动测试消息一致性检查与控制约束是否互补;不直接开展真实车辆攻击。
复现资源
作者Zenodo入口已核对,页面提供代码资源;本轮未运行MATLAB、CARLA或机器人代码。先复现干净控制和防御基线,再核对模型辨识、控制约束与不确定集,论文结果不等于本次复现。
作者实验资源(Zenodo)
阅读范围:PDF第2—16页正文、讨论与开放资源,第19—21页附录A—E;核对图1—12、表1—7、算法1—2、式(1)—(16)及防御条件。未运行攻击或控制代码。 · 审阅:2026-10-23
显示英文原文依据与页码
low-level controllers · data-derived · physical triggers · Robust Optimization for LQR · Encroachment Rate
USENIX Security 2026 · 攻击检测 · 主文已阅读
ARTO:本地快速检查飞控执行,地面端再核验完整轨迹
ARTO: Efficient Execution Integrity Attestation for Real-Time Operation of Cyber-Physical Systems
本文把飞控执行保护分成机端快速检查和地面端完整核验,适合借鉴为空地协同建立可信执行证据;但不是所有攻击都能立即拦截,一小时飞行产生超过500MB日志,落地前必须评估通信、存储和时序成本。
阅读介绍与实现思路
研究问题
只做远程执行证明可能在飞行失控后才发现问题;把完整控制流和数据流检查都放在机端,又可能超过控制周期。只核对变量数值还可能漏掉读取地址被改写的情况。
为什么要做这项研究
把能够本地快速判断的异常及时阻断,把跨段完整上下文留给远端,并为安全关键变量补上地址来源检查,同时保护验证证据本身。
主要贡献
- 用路径分段和验证结果缓存,联合局部控制流完整性与远程完整上下文证明。
- 按别名关系构造关键变量等价类,将读取地址检查与数值检查结合。
- 优化软件故障隔离插桩,并在真实控制软件上报告时延、内存、证据量、检测边界和可调度性。
方法怎么做
离线用LLVM分析关键操作、划分路径并生成合法哈希数据库;运行时在机端校验分段哈希,缓存已验证路径,同时核对关键变量的等价类、地址与值。低优先级线程把证据传到远程验证器,后者重建完整路径并用影子栈检查跨段上下文。软件故障隔离保护证据内存,安全计时器检测验证流程是否被跳过。控制流完整性与远程证明的本地和远程能力不能混为一谈。
论文中的证据
PDF第13页表3:ArduCopter平均控制环由522微秒增至815微秒(BLAKE2s,+56.1%),仍低于文中2.5毫秒周期;内存从6780KB增至14461KB,一小时证据约537395KB,超过500MB。第14页表5中,一类攻击本地不足1微秒发现,另一类需3.14毫秒;跨段合法路径攻击本地未发现,远端耗时9.62秒才发现。第16页基于一小时样本估计WCET并进行MAST分析,受保护配置可调度;这是该工作负载和模型下的证据,不是所有最坏情况的绝对证明。
资源与实现条件
证明端为Raspberry Pi3B、1.2GHz、1GB内存,LLVM16插桩;分析/验证端为Ubuntu工作站。默认BLAKE2s,也测试更快的xxHash,但xxHash不能提供相同的抗碰撞安全性。需要代码完整性、可信计时器和明确的关键操作边界,不是普通应用安装后即可自动保护所有飞控。
局限与适用范围
- 本地只有部分上下文敏感保护,跨段攻击可能要等远程验证;不能说全部攻击都在一个控制周期内阻断。
- 信任代码完整性与安全计时器,排除拒绝服务、物理篡改及侧信道;保护范围依赖关键操作和变量选择。
- 复杂飞控的内存增量约110%—160%,日志量对受限空地链路不轻;论文没有证明弱网、断连和机群规模下仍可承受。
- 最快哈希配置与密码学哈希的威胁保证不同;近千函数的保护规模实验使用xxHash,不能无条件套到BLAKE2s。
- 部分对照系统受未发布文件、兼容性或原实现缺陷影响;对照失败不等于相应理论方法必然无法防御。
我们可以怎样尝试(尚未验证)
- 先在单板隔离任务上选择一个关键控制模块,比较无保护、仅本地检查及本地+远端证明;记录平均/尾部时延、周期违约、证据字节数与检测延迟。
- 针对空地弱网设计证据分级、增量上传和断连缓存,测量节省带宽是否丢失跨段检测能力;再探索给FIRA提供可信证据,不能用压缩率替代安全覆盖率。
复现资源
已核对作者GitHub原型入口,包含LLVM工具链、测量和验证相关目录;本轮没有编译或运行。论文还列Zenodo归档,但本轮网页工具未能打开该归档,故资源按钮使用已验证仓库。移植需要匹配ARM平台、计时器与目标软件版本。
作者原型与构建说明(GitHub)
阅读范围:PDF第2—17页正文、讨论和开放资源,第19—21页附录A—B;核对图1—9、表1—9、算法1及未编号数学定义。源码仓库入口已查,未编译或运行。 · 审阅:2026-10-23
显示英文原文依据与页码
partial context-sensitive · real-time constraints · equivalence classes · secure timer · more than 500 MB