最近，又“见鬼了”。
据国内媒体报道，2月15日，福建厦门，一辆特斯拉进入后，屏幕上显示旁边有一辆驶过，而实际两旁并无车辆。
视频中，这辆特斯拉以69km/h的速度在空无一车的隧道中行驶，伴随着视频拍摄者一声“好恐怖哦”，特斯拉中控大屏中出现了一辆公交车的识别图像，而此时特斯拉两侧并无车辆。
当事人方先生称，这种情况持续了十几分钟，隧道后半程公交车消失，售后表示可能是雷达误侦测。
事实上，去年就有媒体报道过特斯拉“幽灵”刹车的情况。夜深人静，一辆特斯拉Model X在空无一人的公路上行驶着。
瞬间！它看到了“人类看不见的东西”，于是便刹车在路上停了下来……
实际上，其实特斯拉看到的并非是“不干净的东西”，而是被称作“幽灵”（Phantom）的一种攻击辅助系统（ADAS）的图像——掺杂在路边广告牌视频中。
和人类不同，自动驾驶系统需要多个雷达和摄像头来支持，时时刻刻“眼观六路”。一旦算法出现错误，就有可能出现上面的诡异场面。
希望，这只是极特别的个例。
相关阅读：
来源;量子位
讲个“鬼故事”：
夜深人静，一辆特斯拉Model X在空无一人的公路上行驶着。
瞬间！它看到了“人类看不见的东西”，于是便刹车在路上停了下来……
来感受一下这种feel：
而这辆特斯拉停车的原因，竟然是因为它看到了“幽灵” 。坐在自动驾驶的汽车上，大半夜的又遇上这种事情，可以想象驾驶员的心理阴影了。
但实际上，其实特斯拉看到的并非是“不干净的东西”，而是被称作“幽灵”（Phantom）的一种攻击自动驾驶辅助系统（ADAS）的图像——掺杂在路边广告牌视频中。
这种图像出现的时长极短，可以用一瞬间来形容。
人类驾驶员往往不会注意到，但对于自动驾驶系统，却成为“强有力的停车信号”。
千万不要小瞧这种攻击，它给自动驾驶车辆和人类带来的后果，或许要比这个“鬼故事”还要恐怖。
隐藏在广告牌中的“幽灵攻击”
在这个案例中，“幽灵攻击”是隐藏在路边广告牌的视频中。
当时，视频中的内容是这样的。
看似是美味的汉堡包广告，但播放期间掺杂了一张“幽灵攻击”图像，这就是“鬼故事”的罪魁祸首——0.42秒的停车路标。
人类驾驶员大概率在行驶过程中，不会过分关注路边广告牌的视频内容；即使看到了这一闪而过的图像，也基本会认为是个bug。
但自动驾驶系统就不同了，顶着那么多雷达和摄像头，时时刻刻“眼观六路”。
于是，搭载特斯拉HW3的Model X，便采纳了这一瞬间停车路标的“建议”。
可能你会说，特斯拉Model X或许是个例。别急，“幽灵攻击”还在Mobileye 630 Pro系统做了实验。
这次隐藏在视频中的内容是这样的：
此次的“幽灵攻击”是一张仅闪现0.125秒的“90英里/小时”路标。于是，搭载Mobileye 630 Pro的车辆，在“看到”这个视频后，速度就真的控制在了90英里/小时……
“幽灵攻击”都是这种一闪而过的图像吗？
不，在路上投影个图像，也是可以的。
这一次，“幽灵攻击”不再是转瞬即逝，而是一直好好地“躺”在那里。然后搭载HW2.5的特斯拉，就把图像检测成了“人”，车速从18英里/小时，降到了14英里/小时。
来看下AI眼中的世界：
安全，一直是自动驾驶领域十分关注的问题，也是必须要保障的。但为什么如此简单的图像攻击，就能把这些最先进的自动驾驶系统，秒秒钟给忽悠“瘸”了呢？
“幽灵攻击”背后原理
其实，攻击自动驾驶辅助系统的手段再简单不过了，根本不涉及黑进特斯拉或Mobileye的系统。
算法的错误操作，也绝不是代码执行效果不佳的结果。
它们不是典型的功能性缺陷（如缓冲区溢出、SQL注入），可以通过添加if语句轻松修补。
这种现象反映了模型对于目标检测的基本缺陷，即它们没法分辨目标的真假。简单的攻击是直接使用投影仪，在车辆行进线的道路上投射出一个物体，可以是行人、汽车、交通标志等等。
第二种方法，是在路边的广告牌上显示出某些干扰信息，比如限速、转弯等。
这些干扰信息的持续时间不用很长，只需要几百毫秒，就足以让号称最先进的特斯拉Autopilot作出错误反应。
研究人员分别测试了Autopilot系统和Mobileye面对干扰持续时间出错的概率：
可以看出来，干扰持续时间超过0.4秒，两个系统100%会出现问题。
Moblieye的反应更是比特斯拉自动驾驶灵敏得多，几乎对任何细微的干扰都会有反应。
特斯拉反应慢半拍，在这种攻击下却意外起到了“正面作用”。
如何解决这个问题？研究人员提出了GhostBuster，意思是“捉鬼小分队”。
“分队”表示这套系统不止一个神经网络，团队在整个“捉鬼”行动中设置了5层不同的深度神经网络。
其中，核心的四个轻量级深度CNN，通过检查物体的反射光、上下文、物体的表面和形状深度来评估物体的真实性和可靠性。
第五个模型使用前四个模型的结果给出最终判断。
这套5个不同神经网络构成的系统在测试中取得了不错的成绩，在阈值设置为零的情况下，AUC超过0.99（ROC曲线下面积），TPR为0.994（真阳性比率）。
使用了GhostBuster的带有七个传感器的自动驾驶系统，攻击成功率从之前的99.7%～81.2%降低到0.01%。
单看实验结果，这套系统效果十分好，但是研究人员也指出了它的不足，因为这套系统只针对纯视觉的自动驾驶方案，而激光雷达的案例未考虑在内。
而对于特斯拉这种纯视觉方案来说，一旦系统认定“非障碍”，其他摄像头探测结果都会被忽略，形成严重安全隐患。
特斯拉自动驾驶方案的局限性
对激光雷达有所了解的读者，应该会质疑这项研究的有效性。
因为激光雷达是不受视觉图像干扰的，研究团队也承认，一般采用混合方案的自动驾驶系统基本能解决这个问题，但是路上确实也存在像特斯拉这样纯视觉方案的车不是？
这项研究揭示自动驾驶模型本身的缺陷，大大降低了不法之徒攻击的难度和成本。
由于不涉及算法底层代码，“幽灵攻击”甚至不要求任何专业知识，也不需要复杂的前期调查准备，花几百美元买个投影仪或者无人机就能实现。
而且在攻击时，不需要人员靠近现场，完成后也能迅速撤离，难以留下证据。
低成本的犯罪手段，造成的后果轻则交通拥堵，重则车毁人亡。
科技媒体Wired已经就这个问题联系了特斯拉和Mobileye，但是双方均未回应。
研究团队
这次“幽灵攻击”的实施者，是来自以色列本·古里安大学和美国佐治亚理工学院的研究人员。
Ben Nassi
Ben Nassi是本·古里安大学的一名博士生，之前也曾在谷歌工作过一段时间。感兴趣的研究领域包括网络安全和物联网设备。
目前他在Cyber@BGU实验室工作，从事无人机、智能灌溉系统和可穿戴技术等课题的研究。
Yisroel Mirsky
Yisroel Mirsky是佐治亚理工学院博士后研究员，同时也是以色列BGU网络安全研究中心的高级网络安全研究员。
他的主要研究方向包括在线异常检测、对抗性机器学习、区块链等。
而这并不是他们第一次攻击自动驾驶辅助系统。今年早些时候，他们便用投影技术，在夜间的道路和路边的树上，投影出人和路标等图像，成功“忽悠”了搭载HW2.5的特斯拉Model X和搭载Mobileye 630的车辆。
而这一次的实验，是“幽灵攻击”的升级版，不再是长时间将攻击图案放在可监测的位置，而是只让它们出现一瞬间，也同样达到了攻击的目的。
当然，他们也不是第一个做类似“幽灵攻击”的实验人员。
早在2016年，来自浙江大学、南卡罗来纳大学的研究人员，便利用无线电、声波和发光设备来欺骗甚至隐藏物体，让特斯拉的传感器无法发现它们。
在真实生活中，类似是攻击、欺骗事件也是时有发生。例如国外网友在驾驶特斯拉过程中，发现自动驾驶系统竟把雨天车辆尾灯在路上的反射光，识别成了路障。
还有今年6月，特斯拉Model 3在高速公路上，直接撞上了横躺的大货车……
如果你是智能车的车主，是否遇到过诸如此类的“恐怖事件”？
参考链接：
论文地址：https://ad447342-c927-414a-bbae-d287bde39ced.filesusr.com/ugd/a53494_04b5dd9e38d540bc863cc8fde2ebf916.pdf
相关报道：https://www.wired.com/story/tesla-model-x-autopilot-phantom-images/
本文来自微信公众号：量子位（ID：QbitAI），作者：金磊、贾浩楠
