一种基于因果理论的交通标志显著区域物理攻击方法
同济大学尹慧琳教授团队提出新型对抗攻击策略，提升自动驾驶安全风险评估能力
深度神经网络在自动驾驶视觉识别中广泛应用，但其易受对抗样本攻击的特性对系统安全性构成严重威胁。尤其在预期功能安全（SOTIF）场景下，模型可能因微小扰动而误判关键交通信息，带来潜在行车风险。现有研究较少从因果理论角度探讨对抗攻击与虚假特征之间的关联。
为此，同济大学尹慧琳教授团队提出一种基于前门准则调整的新型对抗攻击方法，结合类激活映射（Class Activation Mapping, CAM），精准定位并干扰交通标志中与目标类别相关的显著区域，实现对视觉分类器的有效欺骗。该方法可在数字和物理两种环境下实施，具备实际攻击可行性。
实验以将“限速60”标志误导为“限速80”为目标，在数字环境中实现了94.6%的有目标攻击成功率（ASR）。在真实物理环境测试中，有目标攻击ASR达到75%，无目标攻击ASR达100%。研究还通过低分辨率数据集、多种优化器及防御机制下的对比实验，验证了该方法的鲁棒性与泛化能力。
作者团队简介
尹慧琳，同济大学电子与信息工程学院副教授，中德智能科学与技术研究中心中方副主任，TUV南德基金教席主任。主要研究方向为智能汽车环境感知与自动驾驶安全。
葛万成，同济大学电子与信息工程学院教授，研究方向包括无线通信与人工智能。
张皓，同济大学电子与信息工程学院教授，专注于网络控制系统、多智能体系统及无人机技术。
Gerhard Rigoll，慕尼黑工业大学教授，人机通信所所长，IEEE Fellow，研究领域涵盖语音识别、手势识别、情感计算与多模态交互系统。
期刊介绍：《Automotive Innovation》
《Automotive Innovation》由中国汽车工程学会主办，是国家新闻出版署批准的中国汽车行业首本英文科技期刊，致力于推动中国汽车技术创新成果的国际化传播。期刊与Springer Nature合作出版，已被EI、ESCI、Scopus收录，覆盖智能网联、新能源汽车及未来出行等前沿领域。
主编由清华大学李骏院士、赵福全教授担任，执行副主编为吉林大学章新杰教授，编委团队来自全球15个国家和地区。