Este artículo aborda la vulnerabilidad de las redes neuronales basadas en esqueletos para la predicción del movimiento humano futuro en fracciones de segundo, especialmente ante ataques de evasión y ataques de puerta trasera. Proponemos BadHMP, un novedoso ataque de puerta trasera dirigido específicamente a la tarea de predicción del movimiento humano. BadHMP utiliza muestras de entrenamiento tóxicas generadas mediante la inserción de activadores de puerta trasera localizados en una parte del esqueleto. Estos activadores hacen que ciertas articulaciones sigan un movimiento predefinido en el paso de tiempo pasado, y luego las secuencias futuras se modifican globalmente para que todas las articulaciones se muevan a lo largo de la trayectoria objetivo. El diseño cuidadoso de los activadores y objetivos de puerta trasera garantiza la fluidez y naturalidad de las muestras tóxicas, dificultando su detección por parte del entrenador del modelo, a la vez que hace que el modelo tóxico sea invisible en términos de fidelidad de predicción para secuencias no contaminadas. Las secuencias de entrada diseñadas pueden activar con éxito las secuencias objetivo incluso con bajas tasas de inyección de muestras tóxicas. Los resultados experimentales en dos conjuntos de datos, Human3.6M y CMU-Mocap, y dos arquitecturas de red, LTD y HRI, demuestran la alta fidelidad, eficacia y sigilo de BadHMP. También se ha verificado la robustez del ataque contra defensas finamente afinadas.
