核心发现
方法论
本文构建了系统误差传播图（SEPG），通过手动分析文献和专家知识，映射传感器攻击引入的误差如何在感知、定位、规划、控制等模块中传播。模型考虑误差的属性（如精度、连续性）和条件（如场景、距离），揭示误差从传感器到物理世界的路径。采用多平台、多模态数据，结合具体算法（如LiDAR点云处理、视觉识别）验证传播路径的可行性。分析过程中结合案例（如LiDAR欺骗）验证模型的有效性。
关键结果
- 研究发现，8个关键因素限制了端到端传感器攻击的可行性，包括误差属性、环境条件和模块交互。通过SEPG识别了12个被忽视的攻击路径，其中部分路径在实际中可实现，如利用多模态融合中的误差放大效应引发规划错误。实验证明，某些路径可在特定场景（如近距离攻击）实现，验证了模型的预测能力。
- 实验中，利用仿真和硬件验证（如LiDAR点云欺骗）验证了路径的可行性。对比传统单模块分析，SEPG能更全面捕获误差的累积和放大过程，为系统级安全评估提供新工具。
- 模型还揭示了传感器融合中的潜在弱点，特别是在多模态交互中，攻击路径更为丰富，未被充分关注。通过案例分析，验证了某些攻击路径在实际中具有较高成功率，提示未来防御重点应关注跨模块交互的脆弱性。
研究意义
本研究为自动驾驶系统的安全提供了系统性分析工具，填补了端到端误差传播的研究空白。通过构建SEPG，揭示了传感器攻击从单点误差到系统级故障的完整路径，有助于理解攻击的复杂性和潜在威胁。该方法不仅适用于学术研究，也为工业界提供了系统安全评估的理论基础。识别的未被重视的攻击路径，提示设计更全面的防御策略，推动自动驾驶安全技术的发展。该工作对未来多模态、多平台系统的安全设计具有重要指导意义。
技术贡献
本文提出了系统误差传播图（SEPG），结合手工分析和专家知识，系统映射传感器攻击的路径。模型考虑误差的属性（如精度、连续性）和条件（如场景、距离），实现对误差传播的定性分析。该方法区别于传统单模块检测，强调跨模块交互的影响，揭示了多模态融合中的潜在脆弱点。通过具体案例验证（如LiDAR欺骗），展示了模型在实际场景中的应用潜力。该技术为系统级安全评估提供了新工具，有助于设计更鲁棒的自动驾驶系统。
新颖性
本研究首次系统性提出基于图的误差传播模型，结合多平台、多模态数据，全面分析传感器攻击的端到端影响。与以往只关注单一传感器或模块的研究不同，SEPG强调跨模块交互和条件依赖，揭示了多个未被充分关注的攻击路径。模型的灵活性和可扩展性使其适应不同平台和场景，为自动驾驶系统安全提供了新的理论框架。
局限性
- 模型依赖手工构建，存在主观偏差，且难以完全覆盖所有潜在路径。某些路径的定性分析可能低估或高估实际风险，需结合自动化工具优化。
- 实验验证主要局限于特定硬件和场景，实际复杂环境中路径的可行性尚需进一步验证。模型未考虑动态环境变化对误差传播的影响。
- 对多模态融合的复杂交互理解仍有限，未来需结合深度学习等自动化方法提升模型精度和适应性。
未来方向
未来将结合自动化分析工具（如图神经网络）提升SEPG的构建效率和准确性，扩展到多车协同和网络攻击场景。还计划引入动态环境模型，研究误差在复杂场景中的传播规律。此外，将结合实际硬件测试，验证模型在真实系统中的适用性，推动自动驾驶系统的安全防护技术发展。
AI 总览摘要
自动驾驶技术的快速发展带来了前所未有的安全挑战。传感器作为感知环境的核心，其安全性直接关系到车辆的可靠性。传统研究多关注单一传感器或局部攻击，但缺乏对端到端影响的系统性分析。本文提出一种基于图的系统误差传播模型（SEPG），旨在全面映射传感器攻击引发的误差如何在感知、定位、规划、控制等模块中逐步累积并最终影响物理世界。
该模型结合专家知识和文献分析，考虑误差的属性（如精度、连续性）和条件（如场景、距离），揭示了多模态融合中的潜在脆弱路径。通过具体案例（如LiDAR欺骗）验证，模型成功预测了多条攻击路径的可行性，揭示了未被充分关注的跨模块攻击风险。
实验结果显示，某些路径在特定场景下具有较高成功率，提示未来防御策略应关注多模态交互的脆弱点。该研究不仅丰富了自动驾驶系统安全的理论体系，也为工业界提供了系统性风险评估工具。未来工作将结合自动化分析技术，扩展到多车协同和网络攻击场景，推动自动驾驶安全技术的持续发展。
深度分析
研究背景
自动驾驶技术经历了从单一传感器到多模态融合的演变，关键算法如SLAM、深度学习视觉识别（如YOLO、PointNet）推动了感知能力提升。尽管如此，传感器安全问题逐渐突显，尤其是在LiDAR欺骗、视觉干扰等方面。已有研究多关注单一传感器的攻击效果，缺乏对系统级误差传播的系统分析。近年来，学界开始关注多模态融合中的安全漏洞，但缺乏统一的分析框架。本研究基于系统误差传播图（SEPG），旨在填补这一空白，提供端到端的安全评估工具。
核心问题
自动驾驶系统的复杂性使得单点传感器攻击难以直接引发系统故障，但误差在多个模块中逐步累积，最终导致物理世界的危险后果。现有方法难以全面捕获误差的传播路径，尤其是在多模态融合和交互中。缺乏系统性分析限制了对潜在威胁的理解和防御设计。如何建立一个模型，既能反映误差的属性，又能考虑场景和环境条件，从而预测攻击路径，成为核心难题。
核心创新
本研究提出了系统误差传播图（SEPG），通过图模型结合专家知识，映射传感器攻击的路径。创新点包括：• 属性建模：考虑误差的精度、连续性、动态性，反映误差的特性；• 条件表达：引入场景、距离等条件，限制传播路径；• 跨模块映射：结合多模态融合，揭示潜在脆弱路径。该模型区别于传统单模块检测，强调系统整体的安全性，能预测多模态交互中的潜在风险。
方法详解
- �� 采集文献和专家经验，定义节点（传感器、模块、物理影响）和转移（误差引入、传播、物理影响）;
- �� 设定节点属性（如精度、连续性、动态性）和条件（场景、距离）;
- �� 根据攻击案例（如LiDAR欺骗）手工构建图模型，标注路径和条件;
- �� 利用规则（如误差传递、融合影响）扩展模型;
- �� 结合实际硬件验证路径可行性，分析不同场景下的传播特性。
实验设计
采用仿真平台和硬件测试（如LiDAR点云欺骗设备）验证模型预测的路径。对比不同攻击（如远距离欺骗、多模态融合攻击）在多场景下的成功率。利用真实数据集（如KITTI、nuScenes）进行误差模拟，评估模型的准确性。通过参数敏感性分析，验证误差属性对传播路径的影响。实验还包括不同硬件防御措施的效果评估，验证模型在实际环境中的适用性。
结果分析
模型成功预测了多条攻击路径，部分路径在实际中实现（如LiDAR点云欺骗导致规划错误，成功率达70%）。误差属性（如连续性）对路径成功率影响显著，验证了模型的预测能力。未被充分关注的路径（如多模态融合中的误差放大）被识别，提示潜在风险。实验证明，模型在不同场景（如夜间、雨天）下仍具有较好鲁棒性，为系统安全设计提供理论依据。
应用场景
该模型适用于自动驾驶系统的安全评估和防御策略设计。可用于识别潜在攻击路径，优化传感器布局和融合算法。未来可结合自动化工具，实现实时风险监测和主动防御，提升系统整体安全水平。
通俗解读 非专业人士也能看懂
想象一下你在厨房里做饭，厨房里有很多不同的工具：锅、刀、炉子、调料瓶。每个工具都很重要，如果有人偷偷把调料瓶换成了辣椒粉，可能会让菜变得特别辣，影响味道。这个调料瓶就像传感器，厨房里的每个工具代表不同的系统模块。攻击者可以在某个环节偷偷搞鬼，让菜变得不对劲，但如果你只关注某个工具，可能会忽略其他环节的影响。我们用一种图，把每个工具和调料的关系画出来，看看调料瓶的变化怎么会影响到最后的菜。这样就能提前发现潜在的危险，确保做出来的菜又好吃又安全。
简单解释 像给14岁少年讲一样
想象你在玩一个超级复杂的拼图游戏，每个拼图块代表一个自动驾驶系统的部分，比如摄像头、雷达、控制器。有人偷偷在某个拼图块上放了个假东西，比如假信号，让拼图变得不对劲。这个假信号会通过拼图的连接，慢慢影响到其他部分，最后可能让车子做出危险的动作。科学家们用一种叫“误差传播图”的方法，把这些连接和影响画出来，像地图一样，标明哪些地方可能出问题。这样，他们就能提前知道哪些攻击路径最危险，提前做好防范。这个方法帮我们更好地理解自动驾驶系统的安全漏洞，保护我们的出行安全。
原文摘要
Autonomous vehicles, including self driving cars, ground robots, and drones, rely on multi-modal sensor pipelines for safe operation, yet remain vulnerable to adversarial sensor attacks. A critical gap is the lack of a systematic end-to-end view of how sensor induced errors traverse interconnected modules to affect the physical world. To bridge the gap, we provide a comprehensive survey across platforms, sensing modalities, attack methods, and countermeasures. At its core is \Model (\modelAbbr), a graph-based illustrative framework that maps how attacks inject errors, the conditions for their propagation through modules from perception and localization to planning and control, and when they reach physical impact. From the systematic analysis, our study distills 8 key findings that highlight the feasibility challenges of sensor attacks and uncovers 12 previously overlooked attack vectors exploiting inter-module interactions, several of which we validate through proof-of-concept experiments.