StepTrigger：面向VLM驱动腿足机器人的接触状态触发后门攻击
论文提出StepTrigger，一种针对VLM驱动腿足机器人的接触状态触发后门攻击：触发器由Unitree Go1四足机器人走过密集地形区域时产生的足-地压力与接触模式生成，而非提示词token或可见标记。为区分正常行走中的噪声性压力异常，方法从多模态机器人状态学习选择性后门策略，将偶发压力事件作为良性样本、密集地形接触作为投毒样本。分层离线评估中，训练后的规划器干净行为保持率98.75%、误触发拒绝率92.50%、真触发激活率76.25%、整体解析行为准确率89.17%。作者指出该后门位于本体感知与接触通道，仅关注语言、视觉或动作历史的防御无法覆盖。
发布于 10-27 12:59来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《StepTrigger: Contact-State-Triggered Backdoor Attacks on VLM-Powered Legged Robots》查看原链
大语言模型和视觉语言模型正越来越多地被用作机器人系统中的高层规划器，它们依据任务目标和传感器摘要来选择导航或操作动作。 这带来了一种新的后门攻击面：被植入后门的规划器在大多数运行中表现正常，但当隐藏触发器出现时会改变其目标选择。 此前针对LLM驱动或具身智能体的攻击主要依赖出现在语言、相机可见物体、场景语义或特定历史动作序列中的触发器。
本文提出StepTrigger，一种针对VLM驱动腿足机器人的接触状态触发后门攻击。 该触发器不是提示词token或可见标记，而是由Unitree Go1四足机器人走过密集地形区域时产生的足-地压力与接触模式生成。 与传统的视觉或文本触发器不同，接触信号本身带有噪声，在正常行走中也可能出现。
为避免把每一次压力异常都当作触发器，StepTrigger从多模态机器人状态中学习一种选择性后门策略，将偶发压力事件作为良性样本、将密集地形接触作为投毒样本。 在分层离线评估中，训练后的规划器实现了98.75%的干净行为保持率、92.50%的误触发拒绝率、76.25%的真触发激活率和89.17%的整体解析行为准确率。
这些结果揭示了一条存在于本体感知与接触通道中的后门攻击面，而仅关注语言、视觉或动作历史的防御手段无法覆盖这一通道。