TACTIC：面向路边 LiDAR 攻击的时序与上下文感知 LLM 战术规划

研究者提出 TACTIC，一个利用多模态大语言模型协调路边 LiDAR 攻击的场景感知框架。在灰盒威胁模型下，它仅依赖攻击方自建的路边感知栈，结合车辆状态与路边图像构建语义场景图，进而选择并配置 push-away 与 phantom-obstacle braking 两种攻击原语。在 280 次 CARLA 随机试验中，完整策略实现 100% 碰撞率，固定规则为 35%，随机选择为 60%，受限 LLM 为 75%；物理与图像联合输入成功率 100%，仅物理测量为 65%，仅图像为 75%。

此前物理 LiDAR 攻击多依赖固定原语与人工选参，忽略交通环境的动态依赖。TACTIC 首次将多模态大模型引入攻击战术的实时选择与配置，并在随机仿真试验中把碰撞率从固定规则的 35% 提升到 100%，说明攻击策略正从静态参数化转向场景自适应推理。

TACTIC 用攻击方本地感知获得车辆度量状态，再由 MLLM 结合路边图像推断交通关系上下文，构建语义场景图。基于该表示选择 push-away 或 phantom-obstacle braking，并用实测状态与经验校准约束保证物理可行。为应对 MLLM 延迟，推理与执行异步重叠，由高频本地感知检测场景变化并触发重规划。

对自动驾驶与路边感知栈的安全评估而言，仿真基准需纳入自适应、上下文相关的攻击策略，而非仅测固定扰动。感知融合、异常检测与冗余验证需考虑攻击方能从外部重建场景语义并异步触发攻击，测试成本与对抗鲁棒性验证复杂度上升。

• 自动驾驶仿真测试平台可增加基于 MLLM 的自适应攻击者模块，用于红队评估感知鲁棒性。
• 路边感知与 LiDAR 供应商可开发外部场景重建检测，识别异常同步的感知欺骗模式。
• 安全团队可建立灰盒威胁模型下的攻击原语库，覆盖 push-away 与 phantom-obstacle braking 的防御回归测试。

• TACTIC 在真实道路环境中的有效性尚未在证据中验证，仅报告 CARLA 仿真结果。
• 灰盒威胁模型下攻击方路边感知栈的部署成本与可行性未被量化。
• MLLM 延迟对高速交通场景中重规划实时性的具体影响未给出数据。
• 完整策略 100% 碰撞率是否对不同传感器配置与地图条件稳健，证据未覆盖。