Détection et localisation des falsifications dans les données LiDAR en utilisant des outils d'apprentissage automatique pour la sécurité des véhicules autonomes

Detection and localization of falsifications in LiDAR data by using machine learning tools for the safety of autonomous vehicles

• Auteur / Autrice : Yacine Bouhamidi
• Direction : Kai Wang
• Type : Projet de thèse
• Discipline(s) : Signal Image Parole Télécoms
• Date : Inscription en doctorat le 02/10/2023
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Grenoble Images Parole Signal Automatique
• Partenaire(s) de recherche : Equipe de recherche : ACTIV

Mots clés

Mots clés libres

Apprentissage profond

Apprentissage automatique

Tatouage numérique

Détection de falsification

Forensique

Données LiDAR 3D

3D LiDAR data

Watermarking

Deep learning

Forensics

Machine learning

Tampering detection

Résumé

Afin de réaliser l'auto-conduite, les véhicules autonomes s'appuient en grande partie sur les données LiDAR (light detection and ranging) 3D acquises pour la compréhension de son environnement. Une attaque émergente visant à compromettre la sécurité des véhicules autonomes consiste à falsifier les données LiDAR pour déclencher de mauvaises décisions du système de conduite autonome. Notre objectif est de détecter de telles attaques en exploitant des approches d'authentification de données 3D basées sur l'apprentissage automatique.

In order to achieve self-driving, autonomous vehicles rely heavily on 3D LiDAR (light detection and ranging) data acquired to understand their environment. An emerging attack aimed at compromising the safety of autonomous vehicles consists of falsifying LiDAR data to trigger bad decisions by the autonomous driving system. Our aim is to detect such attacks by exploiting machine learning-based approaches to 3D data authentication.