世界從未停止變化。RSS
BIG CHANGE.

Markdown 版本

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

# 重複圖樣如何扭曲車輛測試中的立體深度估算

> 佛羅里達大學領銜的研究追查立體深度誤差，發現原因涉及攝影機取樣與校正。受控車輛測試顯示，系統可能誤判有障礙物；研究提出的防禦方法在有限影像組合中降低了錯誤。

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.

佛羅里達大學領銜的研究團隊指出，重複的視覺圖樣可能使立體攝影機與 AI 深度模型把物體估在錯誤距離。在受控實驗中，裝在移動地面載具及汽車上的攝影機產生錯誤的障礙物估算；這些誤差持續時間足以達到研究人員為自駕軟體引用的反應門檻。

該 [9 月 14 日發布於 arXiv 的研究](https://arxiv.org/abs/2609.16336)將這些錯誤連結到攝影機如何將光線轉為像素，以及如何校準兩個視角。研究也測試一種軟體防禦方法。對開發或評估自主系統的人而言，這項研究指出一種特定的失效機制，即使在學習式深度模型中仍會出現，並提供降低錯誤的證據。

## 重大變化

- **有哪些變化：**研究人員將重複圖樣造成的模糊性，連結到可測量的攝影機影像偏差，接著展示傳統立體匹配及學習式模型中的深度誤差。在測試的系統中，改用 AI 匹配演算法並未消除這項弱點。
- **為何重要：**距離估算會輸入障礙物偵測系統。在這些實驗中，行車路線旁的一輛廂型車，可能被感知為位於路線內的障礙物。因此，深度估算的可靠度會影響車輛接下來的決策。
- **後續觀察重點：**研究提出的防禦方法會檢查匹配過程是否出現重複規律。初步成果涵蓋的影像組合有限；能否在其他攝影機、模型與操作條件下維持可靠性，才是採用時的實際問題。

## 重複圖樣如何改變距離估算

立體攝影機會拍攝同一場景的兩個視角。軟體在兩張影像中找出對應特徵，並測量其水平位移，稱為視差。攝影機幾何資訊會將此位移換算成距離。

重複圖樣會產生多個看似合理的匹配位置。[論文的分析](https://arxiv.org/html/2609.16336v1#S3)指出兩種情況可能使錯誤匹配勝出。第一，每台攝影機都會將場景取樣至像素網格上。深色物體與亮色背景的邊界，可能落在兩個網格的不同位置，造成像素強度略有差異。第二，殘餘的校正誤差會扭曲兩張影像間的對應關係。

這些效應合在一起，可能讓另一個重複圖樣比正確圖樣更像參考特徵。由此產生的位移會使表面距離估算錯誤。研究團隊也在學習式立體模型中發現這種敏感性；這類模型會比較從影像擷取出的特徵。

研究使用刻意挑選的圖樣。威脅模型假設行為者知道攝影機及相關處理設定，或能取得相近系統進行評估。佛羅里達大學 [9 月 22 日發布的研究說明](https://news.ufl.edu/2026/09/ai-powered-vehicles/)中，研究負責人 Sara Rampazzi 也指出，自然環境中的重複圖樣可能構成安全疑慮。但研究並未測量一般路旁紋理在實際部署車輛中造成危險錯誤的頻率。

## 測試涵蓋感知系統的不同環節

研究人員結合錄製影像實驗、實體攝影機測量與模擬測試。

| 評估 | 系統與測試條件 | 測量內容 |
| --- | --- | --- |
| 修改後的駕駛影像 | 在 7,518 組 KITTI 立體影像對上疊加圖樣；使用 BM、SGBM 匹配演算法，以及 PSMNet、MoCha-Stereo 和 UniMatch | 傳統與學習式方法估算深度的變化 |
| 立體影像與 LiDAR 融合 | 使用合成 LiDAR 點雲代表平坦牆面的 SGM-DDC | 此融合方法是否能抵抗圖樣造成的誤差 |
| 實體攝影機測試 | ZED2 與 RealSense 攝影機，室內及室外環境 | 顯示或投影圖樣造成的深度誤差 |
| 實體移動測試 | 裝在 AgileX Hunter 2.0 地面載具上的攝影機以每小時 10 公里移動，另有一輛汽車以約每小時 15 公里行駛 | 移動期間錯誤深度估算持續的時間 |
| 較高速模擬 | 以 CARLA 在每小時 10、20、30 與 40 公里模擬，並使用 BM 處理立體影像 | 模擬駕駛中深度誤差持續的時間 |

論文及其研究材料附錄將 RealSense 感測器標示為 D435。[作者的示範頁面](https://cpseclab.github.io/stereocam/)則標為 D435i；這些來源對確切型號的描述並不一致，無法據此釐清版本。

在一項室內測試中，攝影機前方三公尺處的表面，在選定圖樣條件下被 ZED2 估為 0.8 公尺、被 RealSense 估為 0.6 公尺。

SGM-DDC 使用 LiDAR 距離限制立體匹配。相較於未融合 LiDAR 的方法，它較能抵抗圖樣變化，但在受測設定中仍出現誤差。由於 LiDAR 輸入是合成資料，此發現只適用於一種融合方法及特定建構條件。

## 駕駛測試證實系統會誤判障礙物

在實體汽車實驗中，研究團隊將圖樣投影到一輛位於汽車行進路線旁的廂型車上。錯誤深度估算將部分表面判定為位於汽車感知的行進路徑內。論文結果表記載，在兩台攝影機及不同光線條件下，錯誤估算持續約 0.7 至 1.2 秒。

在後續評估中，研究人員使用 Autoware 的 Euclidean clustering，將深度圖中彼此接近的點分組為潛在障礙物。若系統將錯誤點偵測為障礙物，該次測試即計為成功；研究人員引用 0.5 秒的持續時間門檻，認為足以觸發緊急煞車等自動反應。[研究材料附錄](https://zenodo.org/records/20767261)也說明研究人員如何評估錄製的點雲及錯誤深度叢集持續時間。

報告中的評估並未記載實體緊急煞車操作、測得的減速度或碰撞。佛羅里達大學將可能碰撞及突然煞車造成的危險描述為研究提出的風險；這些結果並未在實驗中實際展示。

實體測試是在受控環境中以最高每小時 15 公里進行。每小時 40 公里的結果來自 CARLA 模擬：模擬的深度操控持續 2.1 秒。這項獨立模擬擴大了研究條件，但不能證明曾以該速度進行實車測試。

## 防禦方法會檢查重複的候選匹配

研究提出的防禦方法會檢查兩張影像配對時所用的分數。重複結構會形成反覆出現的一連串合理匹配位置。此方法偵測這種規律，並將受影響區域當作較大的整體進行匹配，降低選到錯誤重複元素的機率。

作者報告，在實體測試條件下收集的 200 組立體影像對中，96.5% 的評估案例，其深度誤差降至半公尺以下。研究人員也將此方法改用於 PSMNet 內部的中間匹配資訊。在加入圖樣的 200 組 KITTI 影像對中，該版本讓每一個評估案例的誤差都降至 0.1 公尺以下。

學習式模型的防禦結果只適用於 PSMNet，不能據此證明 MoCha-Stereo 或 UniMatch 也有相同結果。研究也將實體實驗限於平坦或近乎平坦的投影表面，並在動態測試中使用固定圖樣。討論指出，訓練資料會改變哪些圖樣會影響模型，以及影響程度。

這些實驗讓系統開發者有理由檢查重複圖樣對攝影機處理及學習式深度估算的影響。至於此防禦方法在已部署系統的所有操作條件下能否維持效能，目前仍未證實。

作者將論文列為即將於 ACM CCS 2026 發表。[該研討會官方網站](https://www.sigsac.org/ccs/CCS2026/)列出活動將於 11 月 15 日至 19 日在海牙舉行，並表示最終議程仍在籌備中。該研究尚未於會議上發表。

## 資料來源與延伸閱讀

- [《深度錯覺：揭露深度估算中隱藏的立體視覺弱點》](https://arxiv.org/abs/2609.16336)，2026 年 9 月 14 日。全文說明失效機制、受測演算法與攝影機、實體與模擬條件、防禦結果及限制。論文所報告的車輛後果是障礙物誤判，並引用反應時間門檻；其方法未記載實際煞車操作或碰撞。
- [佛羅里達大學研究說明](https://news.ufl.edu/2026/09/ai-powered-vehicles/)，2026 年 9 月 22 日。提供研究團隊的解釋及其對安全影響的說法。碰撞與煞車情境描述的是可能後果，不是已觀察到的事故。
- [作者示範頁面](https://cpseclab.github.io/stereocam/)及[研究材料](https://zenodo.org/records/20767261)，於 2026 年 9 月 24 日查閱。研究材料附錄說明影像、點雲及模擬評估。示範影片說明標示 D435i，論文及附錄則標示 D435。BIG CHANGE 未重做這些實驗。
- [ACM CCS 2026](https://www.sigsac.org/ccs/CCS2026/)，於 2026 年 9 月 24 日查閱。確認會議日期與地點。作者表示論文即將發表；本文查閱的會議網頁未列出具體發表時段。

## Sources

- [《深度錯覺：揭露深度估算中隱藏的立體視覺弱點》](https://arxiv.org/abs/2609.16336) — 2026 年 9 月 14 日。全文、方法、圖表及附錄說明失效機制、受測系統與防禦結果。實車測試測量了錯誤深度與障礙物分群；反應結果則依據持續時間門檻推論，並未記載實體煞車操作或碰撞。
- [佛羅里達大學：簡單視覺圖樣能欺騙 AI 車輛與機器人](https://news.ufl.edu/2026/09/ai-powered-vehicles/) — 日期依即時來源頁面為 2026 年 9 月 22 日。提供研究團隊的說明及其對安全疑慮的描述。碰撞與突然煞車情境是可能後果，並非已觀察到的事故。
- [作者示範頁面：《深度錯覺》](https://cpseclab.github.io/stereocam/) — 於 2026 年 9 月 24 日查閱。介紹實驗及即將於 ACM CCS 發表的論文。示範說明將 RealSense 標示為 D435i，論文及研究材料附錄則標示為 D435。本文未將嵌入影片作為額外證據。
- [《深度錯覺》研究材料與附錄](https://zenodo.org/records/20767261) — 現行版本發布於 2026 年 8 月 8 日；於 9 月 24 日查閱。完整附錄說明錄製點雲評估、實體測試時間、CARLA 模擬及防禦方法評估。BIG CHANGE 未重做實驗。
- [ACM CCS 2026 官方會議網站](https://www.sigsac.org/ccs/CCS2026/) — 於 2026 年 9 月 24 日查閱。確認會議將於 11 月 15 日至 19 日在海牙舉行，並確認 9 月 18 日公告稱最終議程正在籌備。作者稱論文即將發表；本文查閱的會議網頁未列出發表時段。