AGNS : Adversarial Attack against Human Trajectory Model Based on Attention-guidance and Node-selection
Notice bibliographique
Résumé
As a crucial component of autonomous vehicles and intelligent robots, human trajectory prediction provides route planning for intelligent agents. Recent studies have shown that human/pedestrian trajectory prediction models are vulnerable to adversarial attacks. However, previous studies failed to consider the practicality of perturbations, generating adversarial trajectory with the length equal to the input length required by the prediction model. It is hard for an attacker (signed as candidate agent) to precisely walk on such many nodes in adversarial trajectory to execute an attack. Moreover, when selecting a target agent to approach for candidate agent, the attack is based solely on the distance to the candidate agent, ignoring the target agents with high relative velocity. This paper proposes a two-stage attack called AGNS aimed at minimizing the number of perturbing trajectory nodes meanwhile keeping the attack effectiveness. In the first stage, we propose a node-selection method to select the "important" nodes to reduce the number of nodes that we need to perturb. In the second stage, the selected nodes are perturbed with the attention-guided loss to generate a partial adversarial trajectory. Experiments on four models demonstrate that AGNS causes an average collision rate of over 80% while perturbing only 56% of the trajectory nodes, and even achieves an average collision rate exceeding 70% when perturbing just a single node. Our code can be obtained on Github: https://anonymous.4open.science/r/AGNS.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».