RoboShape：用于隐私感知机器人感知的信息理论点云表示

随着越来越多地采用通过扫描和共享 3D 表示在人类环境中运行的机器人代理（例如，用于车队学习、基于云的规划或协作测绘），收集的点云不仅可以揭示场景中的对象，还可以揭示敏感的空间环境，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不提供原则性控制：要么全部保留，要么不保留。因此，我们引入了 RoboShape，一种遵循冻结 {\tt Sonata} 编码器的信息理论引导压缩头。我们使用互信息 (MI) 的 Donsker-Varadhan 公式来投影体素级嵌入。具体来说，我们最大化嵌入和对象级理解之间的 MI，同时最小化私有属性。 RoboShape 使嵌入缩小了 87.5%，保留了 98.7% 的对象分类效用，同时将三个真实室内 LiDAR 数据集的敏感属性预测压缩了 39.3%。其隐私保护嵌入通过网络传输或为任何下游任务训练模型的成本更低。我们发布 RoboShape 代码库，为机器人社区提供一个实用的、与编码器无关的工具，用于构建紧凑、隐私意识和部署就绪的感知管道。