[发明专利]自动驾驶多传感器融合感知模型的鲁棒性测试方法及系统

权利要求书

1.一种自动驾驶多传感器融合感知模型的鲁棒性测试方法，所述方法包括：

同时采集多个车载传感器的数据，并进行相应的预处理；

利用预处理后的多个车载传感器的数据，训练得到多传感器融合感知模型；

从多个车载传感器中选取一个待攻击传感器；在选择的待攻击传感器采集的数据上生成添加对抗扰动噪声的掩码，由此生成欺诈数据；

将欺诈数据与其他传感器正常采集到的数据输入训练好的多传感器融合感知模型，计算欺诈数据生成的损失函数，并进行反向传播；结合损失函数梯度对欺诈数据进行迭代更新，得到最终的欺诈数据；

将最终的欺诈数据与其他传感器正常采集到的数据输入到多传感器融合感知模型中，得到多传感器融合感知模型的输出精度，

根据输出精度获取多传感器融合感知模型的鲁棒性测试结果；

所述将欺诈数据与其他传感器正常采集到的数据输入训练好的多传感器融合感知模型，计算欺诈数据生成的损失函数，并进行反向传播；结合损失函数梯度对欺诈数据进行迭代更新，得到最终的欺诈数据；具体包括：

步骤S1)设预处理后的n-1个车载传感器正常采集的数据为X₀，X₁，...，X_i-1，X_i+1，...，X_n-1，加入的欺诈数据为X′_i＝MX_i，M为对抗扰动噪声的掩码，X_i为预处理后的第i个车载传感器正常采集的数据；模型的正确标签为l；攻击多传感器网络模型J_θ(·)的数学表达式为：

J_θ(X₀，X₁，…，X′_i，…，X_n-1)≠l

将上述数学问题建模为下列优化问题：

minimize D(X_i，X′_i)

s.t.J_θ(X₀，X₁，...，X′_i，...，X_n-1)≠l

X′_i∈[0，1]ⁿ

D(X_i，X′_i)为X_i和X′_i的欧式距离；

构造f(X₀，X₁，...，X′_i，...，X_n-1)≤0来等价表示J_θ(X₀，X₁，...，X′_i，...，X_n-1)≠l这一条件，f(·)函数的具体构造为：

f(x)＝(max(Z(x)_j)-Z(x)_t)⁺，j≠t

其中，Z(x)_i为多传感器融合感知模型输出层第j个节点输出的置信度；(max(Z(x)_j)-Z(x)_t)⁺＝max(max(Z(x)_j)-Z(x)_t，0)，t为正确的标签；

上述的优化问题可以转化为以下形式：

minimize D(X_i，X′_i)+λ·f(X₀，X₁，...，X′_i，…，X_n-1)

s.t.X′_i∈[0，1]ⁿ

其中，λ为参数；

步骤S2)将处理后的数据作为输入，输入到多传感器融合网络模型J_θ(·)中，得到J_θ(·)的初始化输出Y_k，根据Y_k计算生成欺诈数据的损失函数；当k＝1时，为第i个车载传感器的第k次迭代的欺诈数据；

步骤S3)利用损失函数梯度对欺诈数据进性更新：

其中，α为迭代步长，L(·)为损失函数，y^true是多传感器融合网络模型J_θ(·)的正确输出；为损失函数的梯度；

步骤S4)当迭代次数k+1达到阈值max_iter或者多传感器融合网络模型J_θ(·)的像素准确率下降到某个临界值thresh_ap；进入步骤S5)；否则，k加1后，转入步骤S2)；

步骤S5)将作为最终的欺诈数据。