Effiziente Modellbasierte Reinigung schützt LiDAR‑Segmentierung vor Angriffen

Autonome Fahrzeuge verlassen sich auf LiDAR‑Segmentierung, um ihre Umgebung zuverlässig zu erkennen. Doch moderne Netzwerke sind anfällig für gezielte Angriffe, die die Sicherheit gefährden können. In der aktuellen Studie wird ein neuer Ansatz vorgestellt, der speziell für die weit verbreitete 2‑D‑Range‑View‑Darstellung von LiDAR‑Daten entwickelt wurde.

Der Beitrag präsentiert ein schlankes, modellbasiertes Purifizierungsframework, das Angriffe direkt im Range‑View‑Bereich adressiert. Durch die Formulierung eines mathematisch fundierten Optimierungsproblems entsteht ein erklärbares Netzwerk, das die Daten vor schädlichen Manipulationen schützt, ohne dabei die Rechenleistung stark zu belasten.

Tests auf offenen Benchmarks zeigen, dass die Methode die Leistung von generativen und adversarial‑trainierten Baselines übertrifft. Besonders überzeugend ist die Demonstration auf einem realen Fahrzeug, das die Technik in praktischen Fahrszenarien einsetzt und dabei präzise Ergebnisse liefert.