AttackVLA：针对视觉-语言-动作模型的对抗与后门攻击基准测试
AttackVLA: Benchmarking Adversarial and Backdoor Attacks on Vision-Language-Action Models
AI 导读
研究者提出 AttackVLA 框架，覆盖数据构建、模型训练和推理的 VLA 开发全生命周期，统一评测针对视觉-语言-动作（VLA）模型的对抗与后门攻击，实现了全部已有 VLA 攻击及多个由视觉-语言模型攻击改造的方法，并在仿真和真实机器人环境中验证。分析显示现有攻击多造成非定向失效或动作停滞，能驱动 VLA 执行精确长时序动作的定向攻击基本未被探索。为此论文提出定向后门攻击 BackdoorVLA，在触发器出现时迫使 VLA 执行攻击者指定的长时序动作序列，在仿真基准和真实机器人环境中平均定向成功率为 58.4%，部分任务达 100%。作者称该工作为评估 VLA 漏洞提供了标准化框架。