域适应技术对自动驾驶转向模型对抗鲁棒性的影响分析

《Scientific Reports》：Domain adaptation affects adversarial robustness in autonomous steering models

　　

摘要

域适应技术常被用于将自动驾驶转向模型迁移至道路配置不同的区域，例如从右侧通行到左侧通行。以往的研究大多使用干净的（未受攻击的）目标域转向准确率来评估适应效果，但其对对抗鲁棒性的影响尚不充分理解。本研究评估了两种转向架构——PilotNet 和 ResNet-18——在四种适应策略下的表现：美国数据训练、翻转后美国数据训练、美国数据训练+微调、以及翻转后美国数据训练+微调。在多个扰动级别下，使用 FGSM 和 PGD 攻击，通过归一化鲁棒性评分和绝对转向误差指标来评估鲁棒性。结果表明，域适应可以提高干净的目标域准确率，但对对抗鲁棒性的影响因指标而异。微调后的模型在归一化对抗鲁棒性方面通常表现下降，尤其是在经过翻转预训练后，表明与干净的基线相比，其对对抗扰动的相对敏感性更大。然而，绝对的对抗误差显示，微调后的模型在攻击下并不总是比预训练基线更差。这些结果表明，域适应后，干净准确率与归一化鲁棒性可能出现背离，当干净基线存在差异时，RS（鲁棒性评分）对鲁棒性的排序可能与绝对转向误差指标不同。本研究的贡献在于表明，指标的选择会对域适应转向模型的鲁棒性结论产生实质性影响；因此，RS 对于衡量相对退化仍然有用，但应与绝对转向误差指标和统计不确定性一同解读。