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

# Ponavljajući obrasci remete procenu dubine stereo-kamera u testovima vozila

> Studija koju predvodi Univerzitet Floride povezuje greške u proceni dubine stereo-kamera sa uzorkovanjem slike i kalibracijom. Kontrolisani testovi vozila pokazuju lažno prepoznavanje prepreka; predložena odbrana smanjuje greške na ograničenim skupovima slika.

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.

Ponavljajući vizuelni obrasci mogu da navedu stereo-kamere i AI modele za procenu dubine da smeste objekte na pogrešnu udaljenost, navodi tim koji predvodi Univerzitet Floride. U kontrolisanim eksperimentima kamere na pokretnom kopnenom robotu i automobilu proizvele su lažne procene prepreka koje su trajale dovoljno dugo da dostignu prag za reakciju koji istraživači navode za softver autonomne vožnje.

Studija [objavljena na arXiv-u 14. septembra](https://arxiv.org/abs/2609.16336) povezuje ove greške sa načinom na koji kamere pretvaraju svetlost u piksele i poravnavaju dva snimka. Ispitana je i softverska odbrana. Za ljude koji razvijaju ili procenjuju autonomne sisteme, koristan nalaz je konkretan mehanizam kvara koji se javlja i u naučenim modelima za procenu dubine, uz dokaze o tome kako se može ublažiti.

## Velika promena

- **Šta se promenilo:** Istraživači povezuju neodređenost ponavljajućih vizuelnih obrazaca sa merljivim artefaktima kamere, a zatim pokazuju greške u proceni dubine i kod uobičajenog stereo-poređenja i kod naučenih modela. Zamena algoritma za poređenje AI-jem nije uklonila slabost u testiranim sistemima.
- **Zašto je važno:** Procene udaljenosti koriste se za prepoznavanje prepreka. U ovim eksperimentima kombi pored putanje kretanja mogao je da bude pogrešno prepoznat kao prepreka na njoj. Zato je pouzdanost procene dubine važna za sledeću odluku vozila.
- **Na šta treba obratiti pažnju:** Predložena odbrana proverava ponavljanje u procesu uparivanja. Obećavajući rezultati obuhvataju ograničene skupove slika; za primenu je ključno utvrditi koliko je pouzdana sa drugim kamerama i modelima, kao i u drugim radnim uslovima.

## Kako ponavljanje menja procenu udaljenosti

Stereo-kamera koristi dva pogleda na isti prizor. Softver pronalazi detalj na obe slike i meri njegovo horizontalno pomeranje, koje se naziva disparitet. Geometrija kamere pretvara to pomeranje u udaljenost.

Obrazac koji se ponavlja pruža više mogućih podudaranja. [Analiza u radu](https://arxiv.org/html/2609.16336v1#S3) izdvaja dva razloga zbog kojih može da pobedi pogrešno podudaranje. Prvo, svaka kamera uzorkuje prizor na mreži piksela. Granica između tamnog oblika i svetle pozadine može da padne na različita mesta na dve mreže i tako proizvede neznatno različite intenzitete piksela. Drugo, preostale greške kalibracije remete podudaranje tačaka između slika.

Zajedno, ovi efekti mogu da učine da se neko drugo ponavljanje podudara bolje od ispravnog. Dobijeni pomak smešta površinu na pogrešnu udaljenost. Tim je istu osetljivost pronašao i kod naučenih stereo-modela, koji porede karakteristike izdvojene iz slika.

Ispitani su obrasci izabrani namerno. Model pretnje u studiji pretpostavlja poznavanje kamere i relevantnih postavki obrade ili pristup uporedivom sistemu za procenu. U [prikazu istraživanja Univerziteta Floride od 22. septembra](https://news.ufl.edu/2026/09/ai-powered-vehicles/), vođa istraživanja Sara Rampazzi navodi da su i prirodno prisutni obrasci koji se ponavljaju bezbednosni rizik. Studija ne meri koliko često uobičajene teksture pored puta izazivaju opasne greške u vozilima koja se koriste na putevima.

## Testovi su obuhvatili različite delove sistema za opažanje

Istraživači su kombinovali eksperimente sa snimljenim slikama, fizička merenja kamera i simulacije.

| Procena | Sistemi i uslovi | Šta je mereno |
| --- | --- | --- |
| Izmenjene slike vožnje | Obrasci dodati preko 7.518 parova stereo-slika skupa KITTI; algoritmi za uparivanje BM i SGBM, kao i PSMNet, MoCha-Stereo i UniMatch | Promene procenjene dubine kod klasičnih i naučenih metoda |
| Spoj stereo-slike i LiDAR-a | SGM-DDC, uz sintetički oblak LiDAR tačaka koji predstavlja ravan zid | Otpornost ove metode spajanja na grešku izazvanu obrascem |
| Fizički testovi kamera | Kamere ZED2 i RealSense, u zatvorenom i na otvorenom | Greške dubine zbog prikazanih ili projektovanih obrazaca |
| Fizičko kretanje | Kamere na kopnenom vozilu AgileX Hunter 2.0 pri 10 km/h i automobilu pri oko 15 km/h | Koliko dugo su trajale lažne procene dubine tokom kretanja |
| Simulacija pri većim brzinama | CARLA pri 10, 20, 30 i 40 km/h; stereo-slike obrađene algoritmom BM | Trajanje greške u proceni dubine u simuliranoj vožnji |

U radu i dodatku sa artefaktima senzor RealSense označen je kao D435. Na [stranici sa demonstracijom autora](https://cpseclab.github.io/stereocam/) navodi se D435i; ti izvori ne razjašnjavaju dosledno o kojoj se tačno verziji radi.

U jednom testu u zatvorenom, kamera ZED2 procenila je da je površina udaljena 0,8 metara, a kamera RealSense 0,6 metara, iako je stvarna udaljenost bila tri metra, pod odabranim uslovima sa obrascima.

SGM-DDC koristi LiDAR udaljenosti da ograniči stereo-uparivanje i bio je otporniji na promene obrazaca od metoda bez spajanja podataka, ali je i dalje pravio greške u testiranoj konfiguraciji. Sintetički LiDAR ulaz ograničava ovaj nalaz na jednu metodu spajanja u veštački postavljenim uslovima.

## Testovi vožnje pokazali su lažno prepoznavanje prepreke

U fizičkom testu automobila tim je projektovao obrazac na kombi postavljen pored putanje automobila. Lažna procena dubine smestila je deo te površine u opaženu putanju automobila. Tabela rezultata u radu navodi da su lažne procene trajale približno 0,7 do 1,2 sekunde u zavisnosti od kamere i uslova osvetljenja.

Za naknadnu procenu istraživači su koristili Euclidean clustering iz sistema Autoware, koji grupiše bliske tačke na mapi dubine u moguće prepreke. Pokušaj su računali kao uspešan kada su lažne tačke prepoznate kao prepreka i naveli prag trajanja od 0,5 sekundi kao dovoljan za automatsku reakciju, na primer naglo kočenje. [Dodatak sa artefaktima](https://zenodo.org/records/20767261) takođe opisuje procenu snimljenih oblaka tačaka i trajanje klastera lažne dubine.

U prijavljenoj proceni ne dokumentuju se fizički manevar naglog kočenja, izmereno usporenje ni sudar. Univerzitet Floride navodi moguće sudare i opasnosti usled naglog kočenja kao rizike koje istraživanje pokreće. Ti ishodi nisu prikazani u prijavljenim eksperimentima.

Fizički testovi sprovedeni su u kontrolisanim uslovima, pri brzinama do 15 km/h. Rezultat pri 40 km/h potekao je iz CARLA simulacije: simulirana manipulacija procenjenom dubinom trajala je 2,1 sekundu. Zasebna simulacija proširuje ispitane uslove, ali ne predstavlja fizički test pri toj brzini.

## Odbrana proverava ponavljajuća moguća podudaranja

Predložena odbrana ispituje rezultate kojima se porede dve slike. Strukture koje se ponavljaju proizvode niz mogućih podudaranja koji se takođe ponavlja. Metoda otkriva tu pravilnost i uparuje pogođeni region kao veću celinu, smanjujući verovatnoću izbora pogrešnog ponovljenog elementa.

Za 200 parova stereo-slika prikupljenih u uslovima fizičkog testa autori navode da je u 96,5% procenjenih slučajeva greška dubine smanjena ispod pola metra. Pristup su takođe prilagodili posrednim podacima za uparivanje unutar modela PSMNet. Na 200 parova slika iz skupa KITTI sa dodatim obrascima, ta verzija je u svakom procenjenom slučaju smanjila grešku ispod 0,1 metra.

Rezultat odbrane za naučeni model odnosi se na PSMNet; ne dokazuje da su isti rezultati postignuti sa modelima MoCha-Stereo ili UniMatch. Studija ograničava fizičke eksperimente na ravne ili blago zakrivljene površine za projekciju i tokom dinamičkih testova koristi nepromenjen obrazac. Rasprava autora pokazuje da podaci za obuku mogu da promene to koji obrasci utiču na model i u kojoj meri.

Eksperimenti daju razvojnim timovima razlog da ispitaju ponašanje pri ponavljajućim obrascima, kako u obradi slike kamere tako i u naučenoj proceni dubine. Pouzdanost odbrane u svim radnim uslovima sistema koji je uveden u praksu još nije utvrđena.

Autori navode da će rad biti predstavljen na konferenciji ACM CCS 2026. Zvanična [stranica konferencije](https://www.sigsac.org/ccs/CCS2026/) navodi da će se održati od 15. do 19. novembra u Hagu i da je konačni program u pripremi. Rad još nije tamo predstavljen.

## Izvori i dodatno čitanje

- [Illusion of Depth: Revealing Hidden Stereo Vision Vulnerabilities in Depth Estimation](https://arxiv.org/abs/2609.16336), 14. septembar 2026. Ceo rad opisuje mehanizam, ispitane algoritme i kamere, fizičke uslove i simulacije, rezultate odbrane i ograničenja. U njemu se kao posledica po vozilo navodi lažno opažanje prepreke uz prag trajanja za reakciju; metodologija ne dokumentuje stvarni manevar kočenja ni sudar.
- [Istraživački prikaz Univerziteta Floride](https://news.ufl.edu/2026/09/ai-powered-vehicles/), 22. septembar 2026. Sadrži objašnjenje tima i pripisane bezbednosne posledice. Scenariji sudara i naglog kočenja opisuju moguće posledice, a ne zabeležene incidente.
- [Stranica sa demonstracijom autora](https://cpseclab.github.io/stereocam/) i [istraživački artefakti](https://zenodo.org/records/20767261), provereni 24. septembra 2026. Dodatak opisuje procene na slikama, oblacima tačaka i u simulaciji. U natpisima uz demonstraciju senzor je označen kao D435i, dok rad i dodatak navode D435. BIG CHANGE nije ponovio eksperimente.
- [ACM CCS 2026](https://www.sigsac.org/ccs/CCS2026/), proverena 24. septembra 2026. Potvrđuje datume i mesto održavanja konferencije. Autori navode da će rad uskoro biti predstavljen; na stranici konferencije pregledanoj za ovaj članak nije bio naveden konkretan termin izlaganja.

## Sources

- [Illusion of Depth: Otkrivanje skrivenih ranjivosti stereo-vida u proceni dubine](https://arxiv.org/abs/2609.16336) — Ceo rad od 14. septembra 2026, uključujući metode, slike i dodatke, opisuje mehanizam, ispitane sisteme i rezultate odbrane. Fizički testovi vožnje merili su lažnu dubinu i grupisanje prepreka; reakcija se zaključuje na osnovu praga trajanja, dok stvarni manevar kočenja ni sudar nisu dokumentovani.
- [Univerzitet Floride: Jednostavni vizuelni obrasci mogu da prevare vozila i robote zasnovane na AI-ju](https://news.ufl.edu/2026/09/ai-powered-vehicles/) — Izvor od 22. septembra 2026, kako je datiran u aktivnom izvoru. Sadrži objašnjenje istraživačkog tima i pripisane bezbednosne rizike. Scenariji sudara i naglog kočenja opisuju moguće posledice, a ne zabeležene incidente.
- [Stranica autora sa demonstracijom: Illusion of Depth](https://cpseclab.github.io/stereocam/) — Proverena 24. septembra 2026. Opisuje eksperiment i predstojeće predstavljanje na konferenciji ACM CCS. Natpisi uz demonstraciju navode RealSense D435i, dok se u radu i dodatku navodi D435. Ugrađeni video-snimci nisu korišćeni kao dodatni dokazi.
- [Illusion of Depth: istraživački artefakti i dodatak](https://zenodo.org/records/20767261) — Trenutna verzija objavljena 8. avgusta 2026; proverena 24. septembra. Dodatak u celini opisuje procene snimljenih oblaka tačaka, trajanja fizičkih testova, CARLA simulacije i procenu odbrane. BIG CHANGE nije ponovio eksperimente.
- [Zvanična stranica konferencije ACM CCS 2026](https://www.sigsac.org/ccs/CCS2026/) — Proverena 24. septembra 2026. Potvrđuje održavanje od 15. do 19. novembra u Hagu i obaveštenje od 18. septembra da se konačni program priprema. Autori navode da će njihov rad biti predstavljen; na pregledanoj stranici konferencije nije bio naveden termin izlaganja.