自動運転における視覚言語モデルの敵対的転移可能性の理解：クロスアーキテクチャ分析

概要: ビジョン・言語モデル（VLM）は、視覚認識と、言語に基づく推論を組み合わせることで、より解釈可能な意思決定を支援するため、自動運転でますます利用されるようになっています。しかし、物理的な敵対的攻撃に対する頑健性、特に、そのような攻撃が異なるVLMアーキテクチャ間で転移（transfer）するかどうかは十分に理解されておらず、攻撃者が車両が使用しているモデルを知らない場合には実務上のリスクとなります。本研究では、VLMベースの運転における敵対的転移可能性について、アーキテクチャをまたいだ体系的な調査を行い、このギャップを埋めます。横断歩道シナリオと高速道路シナリオの両方で、道路脇のインフラに物理的に実現可能なパッチを配置し、3つの代表的なアーキテクチャ（Dolphins、OmniDrive、LeapVAD）を評価します。転移行列の評価により、高いアーキテクチャ間有効性が示されます。転移率は73-91%であり（平均TR = 横断歩道で0.815、高速道路で0.833）、パッチが対象モデル向けに最適化されていない場合でも、重要な意思決定ウィンドウの64.7-79.4%にわたってフレームレベルの操作が継続します。