この論文は、自律走行車のカメラ内部の物理的な故障によって引き起こされる物理ベースの敵対的な例に焦点を当てています。実際の世界実験の2つは、ガラス破損がニューラルネットワークベースのオブジェクト検出モデルの誤差を引き起こすことを示しており、ガラス破損の物理的プロセスを使用したシミュレーションベースの研究を通じて、現実的な物理ベースの敵対的な例を作成します。有限要素モデル（FEM）ベースのアプローチを使用して、三角形メッシュ内の粒子によって定義された応力場を適用してカメラ画像に表面亀裂を生成し、物理ベースレンダリング（PBR）技術を使用してこれらの物理的に妥当な破損をリアルに可視化します。 KITTIやBDD100Kなどのオープンソースデータセットにシミュレートされた壊れたガラス効果を画像フィルタとして適用し、YOLOv8、Faster R-CNN、Pyramid Vision Transformersなどの物体検出ニューラルネットワークに対する安全性の影響を分析します。さらに、壊れたガラスフィルタを適用した様々なデータセット（自己撮影データ、KITTI、Kaggle猫、犬のデータセット）間のKullback-Leibler（KL）divergenceを計算して、視覚的歪みの分布の影響を調べます。 KL divergence分析は,壊れたガラスフィルタがデータ分布に大きな変化を引き起こさないことを示した。
