关于攻击视觉传感器的调研（上篇）

admin

138635
文章

114
评论

2025年1月2日17:30:26评论22 views字数 5002阅读16分40秒阅读模式

引

言

近年来，随着无人机和自动驾驶汽车技术的迅猛发展，视觉传感器的安全性日益受到关注。无人机广泛应用于电力巡检、包裹投递等领域，自动驾驶汽车则利用多种传感器实现环境感知和驾驶决策。然而，这些系统的视觉传感器容易受到攻击，可能导致严重的安全隐患。常见的攻击方法包括GPS干扰与欺骗、对抗样本攻击和信号干扰等。这些攻击不仅影响无人机和自动驾驶汽车的功能，还可能导致一些交通事故。

本文概述了无人机和自动驾驶汽车的视觉系统，强调了其在环境感知中的核心作用，以及它们面临的攻击挑战。同时根据两篇近年来的论文，针对激光攻击和红外光攻击的实验研究进一步验证了视觉传感器的脆弱性，本文对其作简要分析。展望未来，研究者需要持续关注新兴的攻击技术，并开发智能化的防御系统，以应对不断变化的威胁环境，推动智能交通和无人机系统的安全发展，为未来的交通系统提供可靠保障。

本文将分为上下两篇，上半篇主要介绍相关调研背景、关于自动驾驶与无人机的视觉系统概述和不可见光攻击自动驾驶汽车的典型案例，下半篇主要介绍一种通过激光攻击无人机的实例研究，并对视觉传感器相关领域的挑战以及未来的发展进行总结和展望。

调研背景

近年来，随着无人机的普及和安全事件的频繁发生，无人机安全问题受到了越来越多的关注。

无人机因其高机动性而被广泛应用于电力巡检、包裹投递等领域。此外，在物联网场景中，无人机有助于收集设备信息，并在灾难等复杂环境中建立通信。传感器（无人机感知环境的必要组件）主要负责感知物理信息并将其传递给飞行控制系统，然后系统根据处理后的信息做出决策。

目前，很多针对无人机的攻击都是针对传感器。同时，自动驾驶汽车的发展在最近也如火如荼，但它同样也会带来一些新的安全性问题。为了实现自动驾驶，最基本的组成部分是环境感知，它利用多个传感器（例如摄像头、超声波传感器、雷达或激光雷达）来感知环境。然后，根据从这些传感器中收集到的数据进行SLAM（Simultaneous Localization and Mapping，即同步定位与地图构建算法，它是一种在未知环境中通过传感器数据实现自主定位和地图构建的技术。它广泛应用于机器人、自动驾驶、增强现实（AR）、无人机等领域，帮助设备在动态环境中实时感知和理解周围环境），以做出正确的驾驶决策。在这些过程中，摄像头是自动驾驶汽车了解其周围环境和当前位置的最重要的传感器之一。

随着技术的不断发展，应用于无人机、自动驾驶汽车和机器人的视觉系统已成为越来越流行的传感方法，然而构成这些系统的视觉传感器却很容易受到恶意输入的攻击，有时候可能会导致严重的后果。在无人机和自动驾驶汽车的安全研究中，存在多种攻击方法，攻击者通过利用视觉传感器和其他系统的脆弱性来实现干扰和欺骗。

GPS欺骗是一种常见的攻击方式，攻击者通过发射伪造的GPS信号，使无人机或自动驾驶汽车接收到错误的位置数据，导致其偏离预定路线或进入危险区域；
对抗样本攻击利用深度学习算法生成微小的图像扰动，使自动驾驶车辆的视觉识别系统产生错误判断，攻击者可以在不被察觉的情况下影响车辆的决策过程；
信号干扰也是一个重要的威胁，攻击者可以通过干扰交通信号的传输，导致自动驾驶车辆接收到错误的信息，从而影响其行驶决策；
这些攻击方法展示了现代智能交通系统面临的复杂安全挑战，强调了在设计和实施时必须考虑的防御策略。

自动驾驶与无人机的视觉系统概述

自动驾驶和无人机的视觉系统在技术和功能上具有许多相似之处，都是基于先进的传感器和计算机视觉算法，以实现对周围环境的感知和决策支持。这些系统都依赖于多种传感器（如摄像头、激光雷达、雷达等）的数据融合，以提高环境感知的准确性和鲁棒性。

首先，自动驾驶车辆和无人机都使用摄像头来捕捉环境图像。这些图像经过计算机视觉处理，用于目标识别、障碍物检测和路径规划等任务。例如，自动驾驶车辆通过摄像头识别交通信号、行人和其他车辆，而无人机则可以识别目标对象进行追踪或监测。在多传感器融合方面，自动驾驶车辆通常结合激光雷达和雷达数据，以确保在复杂交通环境中的高精度感知；无人机则可能配备多个摄像头，实现立体视觉，增强深度感知能力。

其次，环境感知和自主导航是这两种系统的核心功能。自动驾驶车辆依赖于SLAM算法，在不依赖GPS的情况下通过提取和匹配图像特征进行自我定位和环境地图构建。而无人机同样依靠其视觉系统进行自主飞行，避障和路径规划。通过处理实时视频数据，无人机能够在飞行过程中识别并规避障碍，确保安全操作。

此外，实时决策能力是自动驾驶和无人机视觉系统的另一个共同特点。这些系统能够分析收集到的数据并作出及时反应，以适应动态变化的环境。例如，自动驾驶车辆必须能够快速反应以避免碰撞，而无人机则需要实时调整飞行路径以适应气候或地形的变化。

随着技术的发展，自动驾驶和无人机的视觉系统正朝着更高的智能化和自主化方向发展。无论是在复杂的城市环境中行驶的自动驾驶车辆，还是在进行农田监测、救援任务的无人机，这些系统都在不断进化，提升了安全性和效率，为各自领域的应用提供了坚实的技术基础。

然而，针对两者的视觉传感器的攻击也随着技术的发展而愈演愈烈。对自动驾驶车辆和无人机视觉传感器的攻击主要集中在干扰和欺骗其环境感知能力，这些攻击利用视觉传感器的脆弱性，以导致不安全或错误的操作。

常见的攻击方式包括激光攻击，通过强激光束照射摄像头，导致输出饱和或失真，进而影响目标识别和避障功能。此外，红外光攻击（如ICSL攻击）利用红外光源对摄像头的干扰，使其误将红外信号识别为环境特征，诱使车辆或无人机做出错误的驾驶决策。例如，攻击者可以通过设置红外光源在交通信号位置模拟红灯信号，从而让自动驾驶车辆误判停车需求，或者影响无人机的飞行路径和任务执行。

不可见光攻击自动驾驶汽车

3.1 攻击背景

当前的自动驾驶车辆依赖于多传感器融合技术来提高环境感知的精度，并在车辆自定位和地图构建中起到关键作用。为了应对各种恶劣环境和复杂路况，车辆摄像头常被用来识别交通信号、障碍物及其他道路信息。然而，红外光（IR光）由于其在相机中表现出的特定颜色特征，可以用于隐蔽攻击。Wang Wei等人[4]提出了一种名为ICSL的攻击，利用红外光干扰自动驾驶车辆的视觉系统，从而改变其对环境的感知结果。

3.2 模型分析

ICSL攻击模型主要利用红外光的特性来干扰自动驾驶车辆的环境感知和SLAM系统，使其产生错误的决策和行为。在这一模型中，攻击者通过设置多个不可见的红外光源，在摄像头无法分辨的情况下制造出虚假的环境信息。由于红外光在摄像头中会显示为洋红色，与普通可见光相似，因此车辆的摄像头会误将这些红外光源视为合法的视觉特征点或物体。攻击者可以通过在交通灯位置嵌入红外光源模拟出一个不可见的红灯信号，让车辆错误地认为需要停车，或者通过在道路前方布置红外光源制造虚假障碍物，使车辆误以为前方存在障碍物而改变行驶路径。

此外，红外光源还能干扰SLAM系统，使系统在地图构建和定位过程中选取错误的关键点，从而导致车辆在实际行驶中偏离正常轨迹甚至产生危险的操作。由于人眼无法察觉红外光，攻击可以在驾驶员毫无察觉的情况下进行，这大大增加了攻击的隐蔽性和成功率。这种攻击模型通过精确操控红外光源的强度、角度和位置，最大化干扰自动驾驶系统的环境感知能力，最终影响其决策过程和安全性。

3.3 实验部分

在实验设计部分，研究者旨在验证ICSL攻击对自动驾驶车辆的影响，因此选择了特斯拉Model 3和一个企业级自动驾驶平台作为实验对象。实验设置分为多个场景，以评估红外光攻击的有效性。

首先，研究者在交通信号实验中，通过在交通灯模型中嵌入红外光源，模拟不可见的红灯信号，测试车辆的反应。这一实验通过改变红外光的强度和光源的高度，观察特斯拉在不同条件下对红外光信号的识别能力，进而评估车辆是否会做出停车决策。

其次，为了制造伪造障碍物，研究者使用了无人机，装备了850nm波长的红外光源，通过飞行无人机并照射到特斯拉的摄像头上，干扰其环境感知系统。这一实验旨在探讨攻击者如何利用红外光源影响车辆对周围环境的判断，并导致错误的驾驶行为。此外，实验还涉及SLAM系统的测试，研究者在车辆行驶过程中持续干扰其视觉输入，观察SLAM系统在受到红外光攻击时的表现，分析其对地图构建和定位准确性的影响。

最后，研究者还设计了一个破坏用户体验的实验，利用红外光源对车辆的多个摄像头进行干扰，观察特斯拉在这种情况下是否会频繁触发系统警报。在所有实验中，研究者收集了车辆的反应数据，结合实时视频记录，分析车辆在不同攻击条件下的行为变化，以全面评估红外光攻击的实际影响。这些实验设计不仅展示了ICSL攻击的多样性和复杂性，也为后续的防御策略提供了重要的实验依据。

3.4 防御措施

为了应对ICSL攻击，研究者提出了一种基于软件的检测模块，通过识别红外光与其他物体的反射差异来过滤掉红外光干扰。相比于硬件解决方案（如在相机中加入红外滤光片）带来的高昂成本，软件检测模块可以在现有硬件基础上实现，并且更具经济性和可扩展性。然而，研究者也指出，红外光在相机中的颜色特征与普通可见光相似，仍存在检测困难的挑战。

因此，未来的研究方向应集中在开发更智能的检测算法，以提高对红外光攻击的识别能力。此外，通过多传感器融合技术，整合其他类型传感器的数据（如雷达、激光雷达等），可以进一步提升车辆的抗干扰能力，即使视觉系统受到攻击，其他传感器仍能提供可靠的数据支持，从而保障自动驾驶车辆的安全性和稳定性。

参考文献

[1] MANESH M R, KENNEY J, HU W C, et al. Detection of GPS Spoofing Attacks on Unmanned Aerial Systems; proceedings of the 2019 16th IEEE Annual Consumer Communications & Networking Conference (CCNC), F 11-14 Jan. 2019, 2019 [C].

[2] ZHENG J, LIN C, SUN J, et al. Physical 3D adversarial attacks against monocular depth estimation in autonomous driving; proceedings of the Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, F, 2024 [C].

[3] JIN Z, JI X, CHENG Y, et al. Pla-lidar: Physical laser attacks against lidar-based 3d object detection in autonomous vehicle; proceedings of the 2023 IEEE Symposium on Security and Privacy (SP), F, 2023 [C]. IEEE.

[4] WANG W, YAO Y, LIU X, et al. I Can See the Light: Attacks on Autonomous Vehicles Using Invisible Lights [Z]. Proceedings of the 2021 ACM SIGSAC Conference on Computer and Communications Security. Virtual Event, Republic of Korea; Association for Computing Machinery. 2021: 1930–44.10.1145/3460120.3484766

中国保密协会

科学技术分会

长按扫码关注我们