当前,机器学习领域内的研究大多关注如何对机器学习的算法、模型进行优化,而忽略了模型的安全性问题。尽管在输入理想的样本时,这些模型有着近乎完美的表现,但在实际环境中,这些模型在训练阶段和模型推理阶段都有可能受到对抗性样本攻击。本文以机器人路径规划问题为对抗性攻击的应用场景,强化学习模型价值迭代网络(ValueIteration Network,VIN)为攻击目标,进行对抗性样本生成方法的研究。本研究以VIN模型实现的机器人路径规划为基础,分别提出了在黑盒和白盒两种场景下的对抗性样本生成方法。基于黑盒场景,分析了 VIN模型进行路径规划的样本,提出了黑盒场景下的对抗性样本生成方法。文中提出了攻击点威胁值的定义并给出了计算规则,综合了可攻击点与原路径、终点、以及原路径拐点之间的距离三条因素量化计算规则。在仅添加一个攻击点的情况下,黑盒场景下提出的对抗性样本生成方法的准确率为34.54%。基于白盒场景,提出了单步攻击和多步攻击两种对抗性样本生成方法。在单步攻击方法中,通过分析VIN模型的价值矩阵、寻路失败样本的特征和添加攻击点前后价值矩阵的变化,得出攻击点发现方法。方法中综合了价值矩阵和原路径的双重影响,找出添加干扰后可能使模型寻路陷入困境的攻击点。在仅添加一个攻击点的情况下,单步攻击方法的准确率为65.71%。在多步攻击方法中,首先不断的输入对抗性样本,向模型发起寻路请求,推测出可攻击点与样本价值矩阵的内在关联。然后根据可攻击点的特征,将样本划分栅格并计算区域价值平滑度,缩小可攻击点选取范围。多步攻击生成对抗性样本方法的准确率可达92.53%。本研究的主要贡献为:基于黑盒和白盒两种场景,提出了针对VIN路径规划模型生成对抗性样本的方法,模拟了 VIN在模型推理阶段受到恶意攻击的情况。实验结果表明本文所生成的对抗性样本会使VIN模型出现寻路错误,这证明了 VIN确实存在着安全性的问题,并且本文所提出的对抗性样本生成方法确实有效。