交通标志检检测模型在自动驾驶汽车和驾驶员辅助系统中发挥着重要作用,因为它不仅能够对图像中的交通标志进行分类,而且能够确定它们在图像中的位置。交通标志是向驾驶员或车辆传达重要信息的静态对象,但因受到故意攻击或缺乏维护所致的损坏可以改变交通标志中的某些关键模式,从而导致交通标志检测模型发生检测错误或交通标志分类错误。研究抵御物理对抗攻击的交通标志检测模型,对于提高自动驾驶的安全性至关重要。本文提出了一种两步方法,用以提高抵御物理对抗攻击的交通标志检测模型的准确性。首先,生成对抗数据集,然后使用对抗训练的方法获得鲁棒的交通标志检测模型。我们从真实场景中生成受攻击的交通标志数据集和没有受到攻击的基础交通标志数据集,并将它们用于测试交通标志检测模型。首先,使用基础交通标志数据集训练基础模型。使用多补丁攻击技术在基础数据集中找到图像中易受攻击的区域,即补丁可以成功欺骗基础模型的区域。将易受攻击的区域组合起来形成易受攻击区域地图。将地图重叠在基础数据集的图像上。在图像中易受攻击的区域使用补丁,越脆弱的区域,补丁的透明度越小,最终生成对抗性数据集。然后,对抗性数据集被分为三个数据集用于模型的训练、测试和验证（分别为对抗数据集中的图像数量的70%、10%、20%）。交通标志类型和名称的数量在YAML文件中定义。YOLOv5算法被用于训练具有鲁棒的模型。我们训练了适合实时运行的纳米（微型）和中型的鲁棒模型。最后,在被攻击的交通标志数据集中测试了基础模型和鲁棒模型。结果表明,与基础模型相比,鲁棒模型的准确性得到了显著提高。此外,保持相同精度的前提下,鲁棒模型所需的计算能力更小。我们总结了我们的主要创新贡献:我们的方法建议生成对抗性数据集,以寻找图像上的脆弱区域,以便与具有复杂形状和透明度的补丁重叠。所提出的方法不需要预定义的对抗图像或高噪声补丁。我们在真实场景中展示了一个基础和受攻击的交通标志数据集,以训练和测试交通标志检测模型。