藏于无形：基于扩散的视觉-语言-动作（VLA）模型无约束机器人攻击

视觉-语言-动作（VLA）模型在控制机器人执行多种操作任务方面展现出强大能力。然而，其对抗鲁棒性仍在很大程度上未被充分探索，利用这一弱点可能造成物理世界的伤害。现有对VLA模型的攻击通常依赖像素空间扰动或白盒访问，导致明显的伪影，且在真实机器人系统中部署性受限。在这项工作中，我们提出DURA，一种基于扩散的无约束机器人攻击，可为VLA模型生成视觉上自然的对抗补丁。DURA同时支持白盒和黑盒攻击设置，其中黑盒设置仅需受害模型的预测动作。通过沿预训练扩散模型的潜轨迹进行优化，DURA在生成视觉自然补丁的同时将机器人引向攻击者指定的目标动作。在仿真和真实物理世界中的大量实验表明，DURA持续超越现有方法。我们的发现揭示了物理部署的VLA模型的安全风险，并呼吁更强的防御。