FreezeVLA: Action Freezing Attacks against Vision-Language-Action Models

论文提出 FreezeVLA，用单张对抗图像使视觉-语言-动作（VLA）模型忽略后续指令、停止动作，形成针对具身自主性的拒绝服务攻击。该方法用双层优化直接压缩动作预测分布，在 RT-2、Octo 和 OpenVLA 三种架构、四种机器人环境上平均攻击成功率 76.2%，其中 Octo 桌面操作 82.1%、RT-2 桌面操作 78.4%、OpenVLA 多物体场景 73.0%、RT-2 厨房任务 71.3%。单张优化图像可跨语言指令迁移，攻击者无需预知机器人当前任务。论文未提出防御，作者将其视为较根本的漏洞；Failure-First 建议监控动作分布熵并采用多帧一致性机制。