خودروهای خودکار به‌طور فزاینده‌ای در کاربردهای حساس به ایمنی مستقر می‌شوند؛ جایی که خرابی حسگرها یا حملات سایفریزیکی می‌تواند به عملیات ناایمن، آسیب‌های جانی و物理ی منجر شود. بنابراین ادراک بلادرنگ قابل‌اعتماد برای عملکرد ایمن و پذیرش عمومی این خودروها اهمیت حیاتی دارد. تخمین فاصله مبتنی بر بینایی که یک مؤلفه کلیدی در سیستم‌های رانندگی خودکار است، در برابر تخریب محیطی و اختلالات خصمانه آسیب‌پذیر است. راهکارهای دفاعی موجود اغلب واکنشی بوده و برای کاهش سریع تأثیرات بر عملیات ایمن کند عمل می‌کنند.
ما در این پژوهش چارچوب RACF را ارائه می‌دهیم که الگوریتم تصحیح فاصله اشیا را برای بهبود استحکام لایه ادراک از طریق افزونگی و تنوع میان دوربین عمق، LiDAR و سینماتیک مبتنی بر فیزیک ترکیب می‌کند. در این چارچوب، هنگامی که تخمین فاصله مانع توسط دوربین عمق با سایر داده‌های حسگری ناسازگار باشد، دریچه اعتبارسنجی بین‌حسگری فعال شده و الگوریتم تصحیح را برای رفع ناسازگاری آشکارشده فراخوانی می‌کند.
ما این چارچوب مقاوم را پیاده‌سازی کرده و عملکرد آن را روی پلتفرم آزمایشی Quanser QCar 2 ارزیابی کرده‌ایم. نتایج نشان می‌دهد که این چارچوب تا ۳۵ درصد کاهش RMSE را تحت تضعیف شدید حسگر به دست آورده و ضمن حفظ عملکرد بلادرنگ، انطباق توقف و تأخیر ترمز را بهبود می‌بخشد. این دستاوردها نشان‌دهنده رویکردی عملیاتی و سبک‌وزن برای ادراک مقاوم در کاربردهای رانندگی خودکار حساس به ایمنی است. توانایی این چارچوب در حفظ تخمین فاصله دقیق تحت شرایط خصمانه، آن را برای استقرار در سناریوهای واقعی رانندگی خودکار که قابلیت اطمینان حسگرها اهمیت اساسی دارد، ارزشمند می‌سازد.
گفتگو