研究评估了LiDAR与相机融合模型在3D物体检测中的对抗鲁棒性。通过在车辆上添加对抗点，可能导致模型无法检测到车辆。实验表明，即使图像数据不变，操控LiDAR数据仍能欺骗模型。这引发了对自动驾驶安全的担忧，并探讨了对抗点的数量、距离和角度对攻击成功率的影响。研究旨在增强对多传感器鲁棒性的理解，提高自动驾驶的安全性。

本文介绍了一种基于学习的方法，将雷达和相机融合在感知任务中，通过充分利用两种传感器的优势。通过引入新的鲁棒回归损失来解决稀疏目标的挑战，并采用多任务训练策略强调重要特征。与最先进的方法相比，雷达的平均绝对高度误差显著降低。集成这些精细的雷达信息进一步提升了现有雷达相机融合模型在物体检测和深度估计任务中的性能。