第12讲：量子计算在自动驾驶中的应用

学习目标

量子计算在自动驾驶中的潜在应用涵盖多个方面：

自动驾驶的路径规划本质上是一个组合优化问题——如何从A点到B点，在避开障碍物的同时，优化路径长度、时间和能耗。量子近似优化算法（QAOA）理论上可以在解决此类NP-hard问题时提供加速。

量子传感器利用量子效应（如量子纠缠）可以实现远超经典传感器的灵敏度。量子加速度计和量子陀螺仪可以在GPS信号失效时提供高精度的惯性导航。

量子成像技术可以在极端弱光条件下获取图像（如夜间驾驶、隧道场景），量子雷达（量子照明）在噪声环境中具有比传统雷达更好的目标检测性能。

自动驾驶的单目深度估计（MDE）系统虽然成本低、部署灵活，但近年来研究发现，这类模型在面对对抗攻击时表现出显著的脆弱性。攻击者可以通过在目标车辆表面施加特定的噪声或纹理，让MDE系统对目标车辆的深度感知产生巨大偏差——甚至让车辆在深度图中"消失"。

早期的物理攻击采用2D对抗补丁——将设计好的对抗图案打印出来，贴在目标物体的局部表面。这种方法的局限性很明显：

新一代的攻击方法（如3D2Fool）将对抗纹理从"局部平面扰动"升级为"全表面三维伪装"，通过可微渲染技术建立从二维纹理到三维物理场景的梯度传播路径，生成可以覆盖整个车辆表面的对抗伪装纹理。

3D2Fool包含两个关键的创新模块：

实验表明，这种全纹理攻击在多种MDE模型上均取得显著效果，平均深度估计误差超过10米，受影响区域超过40%。即使在雨雾天气下，攻击效果依然稳定。

针对3D2Fool这类强物理攻击，传统防御手段普遍失效。而量子-脉冲混合神经网络（QSNN）的防御机制源自其底层的计算范式变革：

脉冲阻断梯度：SNN中LIF神经元的脉冲发放本质上是不可微的，切断了攻击者依赖的精确梯度回传路径。攻击者无法准确计算出如何调整对抗纹理来最大化模型误差。
量子特征解耦：参数化量子电路（PQC）将特征映射到高维希尔伯特空间，将"真实物体特征"与"对抗噪声特征"在空间中拉开距离。
时序扰动衰减：SNN膜电位的泄漏机制使对抗扰动在时间维度上自然衰减，无法像在ANN中那样无损传播。

消融实验（逐步移除QSNN的组件）清晰地揭示了各组件的贡献：

两者分别作用于攻击优化流程的不同环节，构成"底层梯度阻断+高层特征空间扰乱"的双层防御体系。