自动驾驶汽车通过比较传感器数据中学习到的模式，使用向量相似性来区分真实物体和虚假物体。当车辆的传感器（如摄像头或激光雷达）检测到物体时，系统会将原始数据转换为称为特征向量的数字表示。该向量捕获了形状、纹理、运动或深度等基本属性。通过测量该向量与已知真实物体的向量（存储在训练模型中）的接近程度，汽车可以确定检测到的物体是否真实。例如，停车标志的特征向量可能包括锐利的边缘、特定的颜色值和可预测的尺寸。如果一个伪造的标志（例如，贴纸或涂鸦）缺少这些特征，那么它的向量将与预期的模式不匹配，并将其标记为可能不可靠。
该过程依赖于在大量真实世界物体数据集上训练的机器学习模型。在训练过程中，该模型学习将行人、车辆和交通标志等物体映射到高维向量空间中的不同簇中。当遇到新物体时，汽车会计算物体向量与预训练簇之间的相似度得分（例如，余弦相似度或欧几里得距离）。例如，一个真正的行人可能有一个包含肢体运动和运动模式的向量，而一个静态的纸板模型则缺少与运动相关的特征。通过设置相似度阈值，系统可以过滤掉异常情况。这种方法还有助于解决对抗性攻击，例如旨在混淆物体检测器的贴纸：如果扰动图像的向量与“真实”物体的训练簇有很大偏差，则将其视为伪造。
实际实现涉及结合多种传感器模式以提高准确性。例如，摄像头可以使用视觉特征检测到“行人”，而激光雷达检查相应的深度数据。如果摄像头的特征向量表明是一个人，但激光雷达没有显示 3D 结构（例如，墙上的海报），则跨传感器的向量相似度得分会发生冲突，从而促使系统质疑物体的有效性。开发人员经常使用集成模型或注意力机制等技术来动态权衡传感器输入。挑战包括平衡误报（过于严格的阈值导致漏检）和计算效率。通过改进这些向量比较，自动驾驶系统可以减少对任何单个传感器的依赖，并提高对欺骗性或模糊场景的鲁棒性。