Cet article se concentre sur des exemples de conflits physiques générés par des défauts physiques dans la caméra de véhicules autonomes. Deux expériences concrètes démontrent que le bris de verre induit des erreurs dans les modèles de détection d'objets basés sur les réseaux neuronaux. Une étude par simulation exploitant les processus physiques du bris de verre génère des exemples réalistes de conflits physiques. Une approche par éléments finis (MEF) est utilisée pour générer des fissures de surface dans les images de caméra en appliquant un champ de contrainte défini par des particules dans un maillage triangulaire. Des techniques de rendu physique (RPP) sont utilisées pour visualiser de manière réaliste ces défauts physiquement plausibles. L'effet de bris de verre simulé est appliqué comme filtre d'image à des jeux de données open source tels que KITTI et BDD100K, et les implications en matière de sécurité pour les réseaux neuronaux de détection d'objets tels que YOLOv8, Faster R-CNN et Pyramid Vision Transformers sont analysées. De plus, la divergence Kullback-Leibler (KL) est calculée entre différents ensembles de données (nos propres images, KITTI et les ensembles de données Kaggle sur les chats et les chiens) afin d'étudier l'impact distributionnel de la distorsion visuelle. Les résultats de l'analyse de la divergence KL montrent que le filtre en verre brisé n'entraîne pas de modifications significatives de la distribution des données.
