RoboShape：面向隐私感知机器人感知的基于信息论的点云表征

文章背景与核心概要

随着机器人越来越多地在人类环境中作业，它们通过扫描并共享3D点云（用于车队学习、协作建图及云端规划）来执行任务。然而，这些数据在捕捉场景对象的同时，往往无意中泄露了敏感的空间背景及未经用户授权的隐私信息。传统的点云编码器通常只能在“全量保留”与“完全丢弃”之间做二选一，缺乏对隐私信息的精细化控制。

为了解决这一问题，研究人员提出了 RoboShape。这是一个基于信息论引导的压缩头，构建在冻结的 Sonata 编码器之上。RoboShape 利用互信息（MI）的 Donsker-Varadhan 公式对体素级嵌入进行投影：在最大化嵌入与对象级理解之间互信息的同时，最小化其与敏感属性之间的互信息。该方法在显著降低数据传输成本的同时，有效平衡了感知效用与隐私保护，为机器人感知流水线提供了一种紧凑且具备隐私意识的实用方案。

RoboShape：面向隐私感知机器人感知的基于信息论的点云表征

摘要

With the increased adoption of robotic agents operating in human environments by scanning and sharing 3D representations (e.g., for fleet learning, cloud-based planning, or collaborative mapping), collected point clouds reveal not just the objects in a scene but also sensitive spatial context, such as room function or information that occupants never consented to disclose. Traditional point cloud encoders offer no principled control over this: either all is preserved, or none. Hence, we introduce RoboShape, an information theory guided compression head following the frozen Sonata encoder. We project voxel-level embeddings using the Donsker-Varadhan formulation of mutual information (MI). Specifically, we maximize the MI between embeddings and object-level understanding while minimizing it for private attributes. RoboShape leads to 87.5% smaller embeddings that retain 98.7% of object classification utility while collapsing sensitive attribute predictions by 39.3% across the three real-world indoor LiDAR datasets. Its privacy-preserving embeddings are cheaper to transmit over the network or to train a model for any downstream tasks. We release the RoboShape codebase to give the robotics community a practical, encoder-agnostic tool for building perception pipelines that are compact, privacy-aware, and deployment-ready.

随着机器人代理在人类环境中的应用日益广泛，它们通过扫描和共享3D表征（例如用于车队学习、云端规划或协作建图）来执行任务。然而，收集到的点云不仅揭示了场景中的物体，还暴露了敏感的空间背景，例如房间功能或居住者从未同意披露的信息。传统的点云编码器对此无法提供原则性的控制：要么全部保留，要么全部丢弃。因此，我们引入了 RoboShape，这是一个在冻结的 Sonata 编码器之后的信息论引导压缩头。我们利用互信息（MI）的 Donsker-Varadhan 公式对体素级嵌入进行投影。具体而言，我们最大化嵌入与对象级理解之间的互信息，同时最小化其与私有属性之间的互信息。RoboShape 生成的嵌入体积缩小了 87.5%，在保留 98.7% 对象分类效用的同时，在三个真实室内 LiDAR 数据集上将敏感属性预测能力降低了 39.3%。其隐私保护嵌入在网络传输或下游任务模型训练中更具成本效益。我们发布了 RoboShape 代码库，旨在为机器人社区提供一种实用的、与编码器无关的工具，用于构建紧凑、隐私感知且可部署的感知流水线。

论文元数据

访问链接与资源

• 全文格式： 查看 PDF | HTML (实验性) | TeX 源码
• 许可协议： 知识共享署名 4.0 国际许可协议
• 外部引用： Google Scholar | Semantic Scholar | NASA ADS