यह शोधपत्र स्वचालित वाहनों के कैमरों में भौतिक दोषों द्वारा उत्पन्न भौतिक रूप से आधारित प्रतिकूल उदाहरणों पर केंद्रित है। दो वास्तविक प्रयोगों से पता चलता है कि काँच का टूटना तंत्रिका नेटवर्क-आधारित वस्तु पहचान मॉडल में त्रुटियाँ उत्पन्न करता है। काँच के टूटने की भौतिक प्रक्रियाओं का उपयोग करते हुए एक सिमुलेशन-आधारित अध्ययन यथार्थवादी भौतिक रूप से आधारित प्रतिकूल उदाहरण उत्पन्न करता है। एक परिमित तत्व मॉडल (FEM)-आधारित दृष्टिकोण का उपयोग त्रिकोणीय जाल के भीतर कणों द्वारा परिभाषित तनाव क्षेत्र को लागू करके कैमरा छवियों में सतही दरारें उत्पन्न करने के लिए किया जाता है। इन भौतिक रूप से संभावित दोषों को वास्तविक रूप से देखने के लिए भौतिक रूप से आधारित रेंडरिंग (PBR) तकनीकों का उपयोग किया जाता है। नकली टूटे हुए काँच के प्रभाव को KITTI और BDD100K जैसे ओपन-सोर्स डेटासेट पर एक छवि फ़िल्टर के रूप में लागू किया जाता है, और YOLOv8, Faster R-CNN, और पिरामिड विज़न ट्रांसफ़ॉर्मर्स जैसे वस्तु पहचान तंत्रिका नेटवर्क के लिए सुरक्षा निहितार्थों का विश्लेषण किया जाता है। इसके अलावा, दृश्य विकृति के वितरणात्मक प्रभाव की जाँच के लिए विभिन्न डेटासेट (हमारे अपने फ़ुटेज, KITTI, और कागल कैट एंड डॉग डेटासेट) के बीच कुल्बैक-लीब्लर (KL) विचलन की गणना की जाती है। KL विचलन विश्लेषण के परिणाम दर्शाते हैं कि टूटे हुए ग्लास फ़िल्टर से डेटा वितरण में कोई महत्वपूर्ण परिवर्तन नहीं होता है।
