本文提出了一种可变大小的后门触发器，克服了视点与对象距离的干扰，并介绍了恶意对抗训练方法以提高后门攻击成功率。研究表明，实体后门攻击对依赖关键特征的系统影响显著，且能够规避现有防御。文章还探讨了物理攻击的特性及防御策略，揭示了自动驾驶车辆面临的后门威胁，旨在提升安全性。

该文汇总多项自动驾驶安全研究，涵盖代理模型验证ADS行为、强化学习寻找故障场景、结合人类驾驶轨迹改进运动规划、循环神经网络提升DRL鲁棒性、神经网络实时风险评估、自适应压力测试探索角落案例、多智能体强化学习实现交互感知决策，并关注ADS伦理与生成式AI合成数据。

本文综述自动驾驶与AI系统安全，涵盖机器学习安全技术、控制架构、风险评估及标准化。AI在汽车业应用广泛，但低形式化与不确定性使传统方法难以验证，需制定AI规范与认证工具。AI安全需跨学科社会技术框架，通过工程方法减小不确定性，确保安全关键任务的可靠性。

本文综述深度强化学习在自动驾驶安全领域的多项研究，涵盖多智能体不确定行为处理、规则与学习结合的安全模块、预测约束探索、闭环安全控制、代理模型验证、对抗强化学习博弈、部分可观测马尔可夫博弈平台、生成网络合成驾驶行为、黑盒验证自我完善系统及DeepQTest测试方法，旨在提升自动驾驶功能安全与决策可靠性。