无监督模型在自动驾驶中的零-shot鲁棒性研究
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了自动驾驶中语义分割任务面临的对抗样本风险，探索了无监督模型（SAM）的零-shot对抗鲁棒性。研究发现，尽管没有额外训练，SAM在黑箱和白箱对抗攻击下仍具备可接受的鲁棒性。这一发现表明，大型模型参数和海量训练数据带来了对抗鲁棒性的保障，并为发展可信的人工通用智能（AGI）提供了新视角。
本研究调查了越野自动驾驶中语义分割模型对对抗性输入扰动的脆弱性，并比较不同分割网络架构对对抗性攻击的效果。研究结果对提高越野自动驾驶应用中机器学习模型的鲁棒性具有重要意义，同时为Unimog U5023自主机器人在复杂越野无结构环境中的安全导航做出了贡献。
