TACTIC：路边激光雷达攻击的时间和上下文感知大语言模型战术规划

物理 LiDAR 攻击通常使用固定基元和手动选择的参数进行评估，尽管它们强烈依赖于周围的流量。我们提出了 TACTIC，这是一种场景感知框架，它使用多模态大语言模型 (MLLM) 来协调状态自适应路边 LiDAR 攻击。在灰盒威胁模型下，TACTIC 仅依赖于攻击者操作的路边感知堆栈，而无需访问受害者 LiDAR 的本机点云或内部处理。局部感知提供度量车辆状态，而 MLLM 将这些测量结果与路边图像相结合，以推断相关交通上下文并构建语义场景图。基于这种表示，TACTIC 选择并配置两个互补的原语：push-away（它会改变引导车辆的感知范围）和 phantom-obstaclebraking（它通过障碍物注入触发紧急制动）。测量的交通状态和经验校准的约束将生成的策略基于物理上可行的操作区域。为了适应 MLLM 延迟，TACTIC 异步重叠推理和执行，同时高速本地感知检测场景变化并触发重新规划。在 280 项随机 CARLA 试验中，完整策略实现了 100% 的冲突率，而固定规则为 35%，随机选择为 60%，使用默认参数模式选择的受限 LLM 为 75%。联合物理和图像输入实现了 100% 的成功，而单独物理测量的成功率为 65%，单独图像的成功率为 75%，而异步 $Δ$ 刷新将场景突变响应从 7.4 秒缩短至 2.0 秒。这些结果表明，依赖于场景的战术规划可以暴露固定攻击策略可能错过的上下文敏感的 LiDAR 故障模式。