Версия Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# Повторяющиеся узоры искажают оценку стереоглубины в испытаниях автомобилей

> Исследование под руководством Университета Флориды показывает, что ошибки оценки глубины в стереокамерах связаны с дискретизацией изображения и калибровкой. В контролируемых испытаниях автомобилей камеры ошибочно воспринимали препятствия; предложенный метод защиты уменьшил число ошибок на ограниченных наборах изображений.

By BIG CHANGE Editorial

Published: 2026-09-24T04:45:44.657Z
Updated: 2026-09-24T04:45:44.657Z
Canonical: https://bigchange.ai/blog/repeated-patterns-stereo-depth-vehicle-tests

![From behind, a tripod-mounted stereo camera points toward a freestanding panel with repeated dark and orange vertical stripes.](https://bigchange.ai/api/media/file/stereo-camera-repeated-pattern-hero-v2.png)
AI-generated conceptual illustration by BIG CHANGE.

Повторяющиеся визуальные узоры могут заставить стереокамеры и модели ИИ неверно определять расстояние до объектов, сообщает исследовательская группа под руководством Университета Флориды. В контролируемых экспериментах камеры на движущейся наземной платформе и в автомобиле выдавали ложную оценку препятствия, которая сохранялась достаточно долго, чтобы достичь порога срабатывания, указанного исследователями для ПО автономного вождения.

В [исследовании, опубликованном на arXiv 14 сентября](https://arxiv.org/abs/2609.16336), эти ошибки связываются с тем, как камеры преобразуют свет в пиксели и совмещают два изображения. В работе также проверяется программная защита. Для разработчиков и испытателей автономных систем важен конкретный механизм сбоя, который сохраняется и в обученных моделях оценки глубины, а также данные о способе уменьшить ошибки.

## Главное изменение

- **Что изменилось:** Исследователи связали неоднозначность повторяющихся узоров с измеримыми артефактами камеры, а затем показали ошибки определения глубины как при традиционном стереосопоставлении, так и в обученных моделях. Замена алгоритма сопоставления на ИИ не устранила уязвимость в проверенных системах.
- **Почему это важно:** Оценки расстояния используются при обнаружении препятствий. В этих экспериментах фургон рядом с траекторией движения автомобиля мог восприниматься как препятствие внутри неё. Поэтому от надёжности оценки глубины зависит следующее решение автомобиля.
- **За чем следить:** Предлагаемая защита проверяет процесс сопоставления на повторяющиеся структуры. Результаты выглядят многообещающе, но получены на ограниченных наборах изображений; для внедрения важно проверить надёжность на других камерах, моделях и в различных условиях эксплуатации.

## Как повторение искажает оценку расстояния

Стереокамера получает два изображения одной сцены. Программа находит признак на каждом изображении и измеряет его горизонтальное смещение, называемое диспаритетом. По геометрии камеры это смещение преобразуется в расстояние.

Повторяющийся узор создаёт несколько возможных соответствий. В [анализе авторов статьи](https://arxiv.org/html/2609.16336v1#S3) описаны два механизма, из-за которых правильным может показаться неверное соответствие. Во-первых, каждая камера отображает сцену на сетку пикселей. Граница между тёмной фигурой и светлым фоном может по-разному попадать на две сетки, из-за чего значения пикселей немного различаются. Во-вторых, остаточные ошибки калибровки искажают соответствие между изображениями.

Вместе эти эффекты могут сделать другой повтор узора более похожим на эталон, чем правильный. Тогда смещение указывает неверное расстояние до поверхности. Исследователи также обнаружили такую чувствительность у обученных моделей стереозрения, которые сравнивают признаки, извлечённые из изображений.

В работе использовались специально подобранные узоры. Модель угроз исследования предполагает знание камеры и соответствующих настроек обработки либо доступ к сопоставимой системе для проверки. В [описании исследования Университетом Флориды от 22 сентября](https://news.ufl.edu/2026/09/ai-powered-vehicles/) руководитель исследования Сара Рампадзи также называет естественные повторяющиеся узоры проблемой безопасности. Исследование не измеряет, как часто обычные текстуры вдоль дорог вызывают опасные ошибки у эксплуатируемых автомобилей.

## Испытания охватывали разные части системы восприятия

Исследователи объединили эксперименты с записанными изображениями, измерения физических камер и симуляции.

| Проверка | Системы и условия | Что измерялось |
| --- | --- | --- |
| Изменённые изображения вождения | Узоры наложены на 7518 стереопар KITTI; алгоритмы сопоставления BM и SGBM, а также PSMNet, MoCha-Stereo и UniMatch | Изменения расчётной глубины для традиционных и обученных методов |
| Слияние данных стереокамеры и LiDAR | SGM-DDC с синтезированным облаком точек LiDAR, представляющим плоскую стену | Устойчивость этого метода слияния к ошибке, вызванной узором |
| Испытания физических камер | Камеры ZED2 и RealSense в помещении и на улице | Ошибки глубины из-за отображаемых на экране или проецируемых узоров |
| Движение в физических испытаниях | Камеры на наземной платформе AgileX Hunter 2.0 со скоростью 10 км/ч и в автомобиле примерно со скоростью 15 км/ч | Длительность сохранения ложных оценок глубины во время движения |
| Симуляция на более высоких скоростях | CARLA при скорости 10, 20, 30 и 40 км/ч; стереоизображения обрабатывались алгоритмом BM | Длительность ошибки оценки глубины в симулированном движении |

В статье и приложении к материалам исследования датчик RealSense указан как D435. На [демонстрационной странице авторов](https://cpseclab.github.io/stereocam/) он обозначен как D435i; в первоисточниках название точной модели приведено непоследовательно.

В одном лабораторном испытании поверхность в трёх метрах от камер при выбранных условиях с узором оценивалась ZED2 как находящаяся в 0,8 метра, а RealSense — в 0,6 метра.

SGM-DDC использует расстояния LiDAR для ограничения стереосопоставления и оказался устойчивее к изменениям узора, чем методы без объединения данных, но и в проверенной конфигурации выдавал ошибки. Синтезированные данные LiDAR ограничивают этот вывод одним методом слияния в искусственно заданных условиях.

## В испытаниях на автомобилях зафиксировано ложное распознавание препятствия

В физическом эксперименте с автомобилем исследователи спроецировали узор на фургон, стоявший рядом с траекторией машины. Из-за ложной оценки глубины часть поверхности оказалась внутри воспринимаемого автомобилем пути. Согласно таблице результатов статьи, ложные оценки сохранялись примерно от 0,7 до 1,2 секунды в зависимости от камеры и условий освещения.

Для оценки последующей обработки исследователи использовали евклидову кластеризацию из Autoware, которая группирует близкие точки на карте глубины как возможные препятствия. Испытание считалось успешным, если ложные точки определялись как препятствие; авторы указали порог сохранения ошибки в 0,5 секунды как достаточный для автоматической реакции, например экстренного торможения. В [приложении к материалам исследования](https://zenodo.org/records/20767261) также описана оценка записанных облаков точек и длительности кластера с ложной глубиной.

В опубликованных результатах не описаны физическое экстренное торможение, измеренное замедление автомобиля или столкновение. Университет Флориды пишет о возможных столкновениях и опасности резкого торможения как о рисках, поднятых исследованием. В проведённых экспериментах эти последствия не демонстрировались.

Физические испытания проходили в контролируемых условиях на скорости до 15 км/ч. Результат на скорости 40 км/ч получен в CARLA: в симуляции искажение глубины сохранялось 2,1 секунды. Эта отдельная симуляция расширяет исследованные условия, но не подтверждает физическое испытание на такой скорости.

## Метод защиты проверяет повторяющиеся возможные соответствия

Предложенный метод анализирует оценки, используемые для сравнения двух изображений. Повторяющиеся структуры создают последовательность правдоподобных соответствий. Метод обнаруживает такую закономерность и обрабатывает затронутую область как более крупный блок, снижая вероятность выбора неверного повторяющегося элемента.

На 200 стереопарах, собранных в условиях физических испытаний, авторы сообщают, что в 96,5% оценённых случаев ошибку глубины удалось снизить до менее чем полуметра. Они также адаптировали подход для промежуточных данных сопоставления внутри PSMNet. На 200 парах KITTI с добавленными узорами эта версия уменьшила ошибку до менее чем 0,1 метра во всех оценённых случаях.

Результат защиты обученной модели относится к PSMNet; он не подтверждает такие же результаты для MoCha-Stereo или UniMatch. Авторы также ограничили физические эксперименты плоскими или почти плоскими поверхностями проекции и использовали фиксированный узор в испытаниях с движением. В обсуждении показано, что обучающие данные могут менять то, какие узоры влияют на модель и насколько сильно.

Эти эксперименты дают разработчикам систем основание проверять повторяющиеся узоры как при обработке изображений камерой, так и при оценке глубины обученными моделями. Эффективность защиты во всём диапазоне условий эксплуатации внедрённой системы пока не установлена.

Авторы указывают, что статья будет представлена на ACM CCS 2026. На [официальном сайте конференции](https://www.sigsac.org/ccs/CCS2026/) указаны даты 15–19 ноября в Гааге и сообщается, что готовится окончательная программа. Статья ещё не была представлена на конференции.

## Источники и материалы для дальнейшего чтения

- [Illusion of Depth: Revealing Hidden Stereo Vision Vulnerabilities in Depth Estimation](https://arxiv.org/abs/2609.16336), 14 сентября 2026 года. В полной статье описаны механизм, проверенные алгоритмы и камеры, физические и симулированные условия, результаты защиты и ограничения. В качестве последствий для автомобиля сообщается о ложном распознавании препятствия и указанном пороге реакции; методы не описывают реального торможения или столкновения.
- [Материал Университета Флориды об исследовании](https://news.ufl.edu/2026/09/ai-powered-vehicles/), 22 сентября 2026 года. Содержит объяснение исследовательской группы и приписываемые ей оценки рисков для безопасности. Сценарии столкновения описывают возможные последствия, а не зафиксированные происшествия.
- [Демонстрационная страница авторов](https://cpseclab.github.io/stereocam/) и [материалы исследования](https://zenodo.org/records/20767261), проверены 24 сентября 2026 года. В приложении к материалам описаны испытания изображений и облаков точек, а также симуляции. На демонстрационной странице подписи называют модель D435i, тогда как в статье и приложении указана D435. BIG CHANGE не повторял эксперименты.
- [ACM CCS 2026](https://www.sigsac.org/ccs/CCS2026/), проверено 24 сентября 2026 года. Подтверждает даты и место проведения конференции. Статус будущего доклада указан авторами; на просмотренной странице конференции конкретный слот выступления не приводится.

## Sources

- [Illusion of Depth: выявление скрытых уязвимостей стереозрения при оценке глубины](https://arxiv.org/abs/2609.16336) — 14 сентября 2026 года. Полная статья, методы, рисунки и приложения описывают механизм, проверенные системы и результаты защиты. В физических испытаниях движения измерялись ложная глубина и группировка препятствий, а реакция выводилась из порога длительности ошибки; физическое торможение или аварию не документировали.
- [Университет Флориды: простые визуальные узоры могут обмануть автомобили и роботов с ИИ](https://news.ufl.edu/2026/09/ai-powered-vehicles/) — По дате живой страницы материал опубликован 22 сентября 2026 года. В нём изложены объяснение исследовательской группы и приписываемые ей опасения для безопасности. Сценарии столкновений и резкого торможения — возможные последствия, а не наблюдавшиеся происшествия.
- [Демонстрационная страница авторов: Illusion of Depth](https://cpseclab.github.io/stereocam/) — Проверена 24 сентября 2026 года. Описывает эксперимент и ожидаемое представление работы на ACM CCS. В подписях к демонстрации названа RealSense D435i, тогда как статья и приложение указывают D435. Встроенные видео не использовались как дополнительные доказательства.
- [Материалы исследования Illusion of Depth и приложение](https://zenodo.org/records/20767261) — Текущая версия опубликована 8 августа 2026 года; проверена 24 сентября. Полное приложение описывает испытания записанных облаков точек, длительность физических испытаний, симуляции CARLA и проверку метода защиты. BIG CHANGE не повторял эксперименты.
- [Официальный сайт конференции ACM CCS 2026](https://www.sigsac.org/ccs/CCS2026/) — Проверен 24 сентября 2026 года. Подтверждает, что конференция пройдёт 15–19 ноября в Гааге; в сообщении от 18 сентября сказано, что готовится окончательная программа. Авторы указывают, что статья будет представлена; на просмотренной странице конференции конкретный слот не указан.