新智元報道

編輯：LRST

【新智元導(dǎo)讀】研究者用特制雨傘干擾無人機視覺系統(tǒng)，讓其誤判目標(biāo)在遠去，從而失控俯沖。FlyTrap攻擊無需信號干擾，僅靠物理圖案就能欺騙多款商用無人機，實現(xiàn)靜默捕獲或擊毀。實驗顯示，物理閉環(huán)攻擊成功率超60%，且對新人物、新場景均有強泛化能力。這項研究揭示了AI感知系統(tǒng)的重大安全隱患，警示我們：視覺安全正成為智能設(shè)備的阿喀琉斯之踵。

隨著消費級和工業(yè)級無人機的普及，自主目標(biāo)跟蹤（Autonomous Target Tracking, ATT） 已成為標(biāo)配功能。

無論是 DJI（大疆）的跟隨拍攝，還是警方的無人機巡邏，系統(tǒng)都依賴單目標(biāo)跟蹤（SOT）模型來實時鎖定并保持與目標(biāo)的固定距離。

在目前現(xiàn)實世界的安全假設(shè)中，如果無人機沒有受到 GPS 欺騙或信號干擾，它就被普遍認(rèn)為是安全的。

圖1: FlyTrap物理對抗性雨傘以及測試的三款商用無人機

然而，加州大學(xué)爾灣分校的研究人員直接挑戰(zhàn)了這一假設(shè)，證明了：通過操縱物理世界中的視覺特征，可以從算法層面接管無人機的飛行控制邏輯。

論文鏈接 (arXiv):https://arxiv.org/pdf/2509.20362

論文鏈接 (NDSS):https://www.ndss-symposium.org/ndss-paper/flytrap-physical-distance-pulling-attack-towards-camera-based-autonomous-target-tracking-systems/

項目主頁與演示視頻：https://sites.google.com/view/secure-safe-ai/flytrap

演示視頻：https://www.tiktok.com/@asguard_uci/video/7599829206599552287

其他視頻材料：https://www.youtube.com/playlist?list=PLlViq2qGRmiYQUEovXYaP3ww9AlWH4ZBt

FlyTrap的核心，距離拉近攻擊 (Distance-Pulling Attack, DPA)： 該攻擊利用了神經(jīng)網(wǎng)絡(luò)對于對抗樣本感知時的脆弱性。

攻擊者通過一把特制的「對抗性雨傘」，讓無人機的視覺模型產(chǎn)生嚴(yán)重的邊界框（Bounding Box）預(yù)測偏差。即便物理距離沒有變化，無人機的跟蹤算法也會認(rèn)為目標(biāo)正在迅速遠去。為了維持設(shè)定的跟蹤距離，飛行控制器會立即觸發(fā)加速補償，導(dǎo)致無人機失控俯沖。

FlyTrap攻擊的發(fā)現(xiàn)具有深遠的現(xiàn)實意義。在執(zhí)法與邊境管控場景中，該技術(shù)可作為一種非電子對抗手段，幫助相關(guān)人員在不使用信號干擾器的情況下，靜默誘導(dǎo)并捕獲自動跟蹤的無人機 。

此外，對于個人隱私保護而言，當(dāng)面臨無人機惡意尾隨或偷拍時，這種特制的「雨傘」能成為一種有效的自衛(wèi)工具，保護個人安全與空間隱私。

從「視覺擾動」到「閉環(huán)攻擊」

圖2: FlyTrap攻擊方法流程：閉環(huán)仿真示意圖

FlyTrap的學(xué)術(shù)貢獻在于它實現(xiàn)了對「感知-控制閉環(huán)」的精準(zhǔn)物理仿真：

尺度感知漏洞：現(xiàn)有的無人機跟蹤算法高度依賴物體的視覺面積來估算距離。因此，當(dāng)對抗性雨傘圖案誘導(dǎo)跟蹤模型將邊界框尺寸預(yù)測得更小時，無人機便會「誤以為」目標(biāo)在遠離，從而觸發(fā)加速補償。研究人員在論文中進一步證明（Theorem 1）：若對抗圖案使模型產(chǎn)生收縮率的邊界框預(yù)測偏差，無人機最終會被拉近至距離（其中λ為雨傘與人體的面積比例常數(shù)，d0為初始距離），從而精確控制攻擊距離。

對抗圖案的優(yōu)化生成：為了確保攻擊在真實物理環(huán)境中的穩(wěn)定性，研究人員構(gòu)建了一個多目標(biāo)聯(lián)合優(yōu)化框架來生成雨傘圖案A：

其中T為隨機物理變換（包括光照、傾斜角度、旋轉(zhuǎn)等），各損失項分別負(fù)責(zé)不同的優(yōu)化目標(biāo)：
引導(dǎo)模型將邊界框預(yù)測縮小至攻擊目標(biāo)，保持跟蹤置信度以防止目標(biāo)丟失，約束人體姿態(tài)估計保持自然以提升隱蔽性，則對圖案進行平滑正則化，確保其可被物理打印。通過期望變換（EoT）優(yōu)化，最終圖案對光照、角度等現(xiàn)實環(huán)境變化具備良好的魯棒性。

漸進式閉環(huán)模擬（PDP）：傳統(tǒng)的對抗攻擊往往只針對單幀靜止圖像，而 FlyTrap 面對的是持續(xù)逼近的動態(tài)控制閉環(huán)。為此，研究人員提出了漸進式距離拉近（Progressive Distance-Pulling, PDP）優(yōu)化策略：在生成對抗圖案時，模擬無人機從初始距離d0逐步逼近至的完整過程，在每一距離步長處進行3D渲染并反饋梯度。這使得生成的對抗圖案能在無人機整個飛行逼近過程中持續(xù)產(chǎn)生累積誤差，而非僅在某一固定距離有效，從而將平均攻擊成功率從33.9%大幅提升至53.6%。

時空一致性控制:漸進式閉環(huán)模擬的優(yōu)化方式也可以用來精確的控制攻擊的時空一致性，目前自主無人系統(tǒng)中的SOTA視覺防御手段主要依賴多模型一致性檢測（例如，人體姿態(tài)估計，人體移動時序特征）。在空間一致性方面，由于對抗樣本圖案完全由攻擊者控制，F(xiàn)lyTrap可以利用adaptive attack同時對多個視覺模型（例如，目標(biāo)檢測，目標(biāo)跟蹤，姿態(tài)估計等）進行欺騙，使得多個視覺模型的預(yù)測在空間上重疊；在時間一致性方面，因為FlyTrap可以仿真無人機拉進的過程，攻擊者可以優(yōu)化視覺模型在時間維度上的一致性（例如，避免姿態(tài)估計在不同時間點發(fā)生非正常偏移）。因此，F(xiàn)lyTrap的設(shè)計可以從根本上繞過現(xiàn)有的時空一致性防御策略。

實驗評估

大疆、哈浮無人機悉數(shù)「中招」

白盒攻擊效果（White-Box Attack）

研究人員在四款主流開源跟蹤算法上系統(tǒng)評估了FlyTrap的攻擊效果，使用平均攻擊成功率（mASR）作為核心指標(biāo)。結(jié)果如下表所示：

圖3: FlyTrap白盒攻擊效果，各開源單目標(biāo)跟蹤模型mASR對比（PDP優(yōu)化前后）

對比基線（直接使用目標(biāo)人物照片作為圖案）的平均 mASR 僅為 36.0%，F(xiàn)lyTrap 的 PDP 優(yōu)化策略帶來了顯著提升。

泛化性與遷移性（Universality）

為驗證攻擊的普適性，研究人員測試了圖案在未見過的新地點和新人物上的泛化能力：

• 地點泛化：在全新測試場景下，F(xiàn)lyTrap仍達到平均61.8%的mASR，顯著優(yōu)于基線的 27.3%。

• 人物泛化：針對訓(xùn)練時未出現(xiàn)的新目標(biāo)人物，F(xiàn)lyTrap保持56.6%的mASR，遠超基線的15.0%。

• 地點 + 人物雙重泛化：即便地點和人物均為全新未見，仍能維持34.0%的mASR（基線僅12.6%），證明了攻擊圖案的強遷移能力。

真實商用無人機黑盒測試

為了驗證漏洞的普遍性，研究人員在真實場景下測試了多款主流商業(yè)無人機：DJI Mini 4 Pro，DJI Neo，HoverAir X1

• 攻擊成功率：在不了解任何內(nèi)部算法細節(jié)的黑盒測試中，F(xiàn)lyTrap 對三款商用無人機的誘導(dǎo)成功率超過60%。

• 物理捕獲：配合簡單的網(wǎng)槍（Net Gun），攻擊者可以在 5-10 秒內(nèi)將被「釣」過來的無人機物理捕獲。

• 碰撞擊毀：攻擊者可以將無人機拉近到1米以內(nèi)從而實現(xiàn)物理擊毀

圖4: FlyTrap攻擊DJI Mini 4 Pro并使用網(wǎng)槍進行物理抓捕（示意）

圖5: FlyTrap攻擊DJI Mini 4 Pro并可對其進行物理擊毀（示意）

圖6: 第一人稱視角FlyTrap攻擊DJI Mini 4 Pro，單目標(biāo)跟蹤算法被對抗性雨傘圖案誤導(dǎo)

總體結(jié)論

FlyTrap 的研究意義在于：它揭示了AI控制的自主無人系統(tǒng)的脆弱性。神經(jīng)網(wǎng)絡(luò)長期以來被證明容易受到對抗樣本的攻擊。但是先前的工作主要集中在AI模型本身，而研究人員更加關(guān)注AI模型在真實世界中部署的安全性，如視覺模型在面對物理擾動時缺乏魯棒性，基于視覺模型的自主系統(tǒng)將會被攻擊者任意的操控。

研究人員認(rèn)為，未來的無人機防御不能僅依賴于信號屏蔽器，而需要引入「防御性感知」——例如，通過多視角一致性校驗或基于深度估計的輔助驗證，來識別并過濾掉這種針對視覺邏輯的惡意攻擊。

作為負(fù)責(zé)任的安全研究者，研究人員已在論文發(fā)表前，將此漏洞報告給大疆（DJI）和哈浮（HoverAir）兩家無人機企業(yè)。

作者介紹

作者團隊來自加州大學(xué)爾灣分校（UC Irvine）計算機科學(xué)系。該研究由博士生謝少遠 （Shaoyuan Xie）主導(dǎo)，Alfred Chen教授指導(dǎo)。陳教授團隊長期致力于自動駕駛、無人機、機器人及智能系統(tǒng)的攻防和物理安全性分析，成果常年發(fā)表于S&P, USENIX Security, CCS, NDSS，CVPR，ICCV，ICLR，AAAI，ICRA，IROS等頂級會議。

參考資料：

https://arxiv.org/pdf/2509.20362