RoboShape: Information-Theoretic Point Cloud Representations for Privacy-Aware Robot Perception

تنتقل الروبوتات بشكل متزايد من المختبرات إلى منازلنا، ومستشفياتنا، وأماكن عملنا. وللتنقل في هذه المساحات المعقدة، تعتمد على مستشعرات تلتقط العالم في شكل سحابة من ملايين النقاط الصغيرة، مما ينشئ خريطة ثلاثية الأبعاد لمحيطها. تسمح هذه الخرائط للآلات بالتعرف على الكرسي، أو تجنب الطاولة، أو تخطيط مسار عبر غرفة مزدحمة. ومع ذلك، مع قيام الروبوتات بمشاركة هذه الخرائط مع خوادم سحابية أو آلات أخرى للتعلم من بعضها البعض، ظهرت مشكلة جديدة. إن الغنى ذاته الذي يجعل هذه الخرائط مفيدة للملاحة يكشف أيضاً عن تفاصيل حميمة حول الأشخاص الذين يعيشون هناك. فقد يظهر مسح لغرفة المعيشة أريكة، لكن ترتيب الأثاث وتخطيط المساحة يمكن أن يكشف أيضاً ما إذا كانت الغرفة غرفة نوم، أو مكتباً منزلياً، أو منطقة طبية خاصة—وهي معلومات لم يقصد السكان مشاركتها أبداً.

لسنوات، صارع المهندسون هذا التوتر بين المنفعة والخصوصية. فغالباً ما تعمل الطرق التقليدية لحماية البيانات كأداة غير دقيقة؛ إذ قد يؤدي إضافة ضوضاء عشوائية إلى الخريطة إلى إخفاء نوع الغرفة، ولكنه يؤدي أيضاً إلى طمس معالم الكرسي والباب، مما يجعل الروبوت أقل فعالية. أما النهج الأخرى فتعتمد على خلط البيانات أو تحاول تخمين ما يجب إخفاؤه، لكنها تفتقر إلى طريقة دقيقة لقياس مقدار المعلومات الخاصة المتبقية بالضبط. لقد كان التحدي الجوهري يكمن في إيجاد وسيلة للحفاظ على التفاصيل التي يحتاجها الروبوت لأداء مهمته، مع إزالة التفاصيل التي تكشف الحياة الخاصة للشخص بدقة جراحية، دون تقليل الجودة الإجمالية للخريطة.

قدم فريق من الباحثين نظاماً جديداً يسمى "RoboShape" لحل هذه المشكلة. فبدلاً من التعامل مع الخريطة ثلاثية الأبعاد بأكملها ككتلة واحدة غير قابلة للتجزئة، قاموا بتقسيمها إلى قطع صغيرة يمكن التحكم بها تسمى "فوكسلز" (voxels). فكر في الـ "فوكسل" كبكسل ثلاثي الأبعاد يمثل مكعباً صغيراً من الفراغ. بدأ الباحثون ببرنامج حاسوبي قوي مُدرب مسبقاً تعلم بالفعل فهم هذه القطع جيداً. يقوم هذا البرنامج بتحويل كل قطعة من الخريسة ثلاثية الأبعاد إلى قائمة طويلة من الأرقام، تُعرف باسم "التضمين" (embedding)، والتي تلخص كل ما يعرفه الروبوت عن تلك البقعة المحددة، بما في ذلك الشيء الذي يراه ونوع الغرفة أيضاً.

يكمن الابتكار فيما يحدث بعد ذلك. فقد أضاف الباحثون طبقة خفيفة الوزن وقابلة للتدريب فوق هذا البرنامج الحالي. تعمل هذه الطبقة الجديدة كمرشح (فلتر) يعيد تشكيل قائمة الأرقام الطويلة إلى قائمة أقصر بكثير. والهدف من إعادة التشكيل هذه موجه بمبدأ رياضي يسمى "المعلومات المتبادلة" (mutual information)، والذي يقيس أساساً مدى إخبار قطعة واحدة من البيانات عن قطعة أخرى. يتم تدريب النظام بتعليمات متضاربة؛ أولاً، يُطلب منه الاحتفاظ بأكبر قدر ممكن من المعلومات حول الشيء نفسه، مما يضمن قدرة الروبوت على التعرف على الكرسي أو المكتب. ثانياً، يُطلب منه إزالة أكبر قدر ممكن من المعلومات حول نوع الغرفة، مما يضمن عدم قدرة الروبوت على معرفة ما إذا كان في غرفة نوم أو حمام.

ولتعليم النظام كيفية الموازنة بين هذه الأهداف المتنافسة، استخدم الباحثون طريقة محددة لتقدير تدفق المعلومات أثناء التدريب. لقد عاملوا كل قطعة صغيرة من الخريطة كعينة مستقلة، مما سمح لهم بقياس مدى كشف قائمة الأرقام المختصرة عن نوع الغرفة بدقة. ومن خلال ضبط المرشح لتعظيم الاتصال بالشيء وتقليل الاتصال بالغرفة، تعلم النظام ضغط البيانات بشكل كبير. والنتيجة هي تمثيل أصغر بنسبة 87.5% من الأصل، مما يجعله أرخص وأسرع في النقل عبر الشبكة.

اختبر الباحثون هذا النهج على ثلاث مجموعات بيانات واقعية تحتوي على آلاف المشاهد الداخلية، تتراوح من غرف مفردة إلى مبانٍ كاملة. وقارنوا طريقتهم بالتقنيات القياسية التي تضيف الضوضاء ببساطة أو تستخدم الضغط العشوائي. وأظهرت النتائج أن النظام الجديد احتفظ بنسبة 98.7% من قدرته على تحديد الأشياء، مما يعني أن الروبوت لا يزال بإمكانه أداء مهامه بشكل جيد تقريباً كما كان في السابق. وفي الوقت نفسه، قلل النظام من القدرة على تخمين نوع الغرفة بنسبة 39.3%. وفي اختبار حيث استطاع برنامج حاسوبي قياسي تحديد نوع الغرفة بشكل شبه مثالي من البيانات الأصلية، جعلت البيانات المضغوطة الجديدة التخمين لا يتعدى مستوى الصدفة العشوائية.

وللتأكد من صمود هذه النتائج في سيناريو واقعي، قام الباحثون أيضاً بمحاكاة روبوت يتنقل في بيئة افتراضية. فقد دربوا روبوتاً على إيجاد جدار، وهي مهمة تتطلب فهماً لهندسة المساحة. أدى الروبوت الذي استخدم البيانات المضغوطة الجديدة أداءً قريباً جداً من أداء الروبوت الذي استخدم البيانات الكاملة غير المضغوطة. ومع ذلك، عندما اختبروا ما إذا كان بإمكان الروبوت تعلم التنقل بناءً على نوع الغرفة تحديداً—مثل الانتقال إلى منطقة مختلفة إذا كان في غرفة نوم مقابل غرفة معيشة—فشل الروبوت الذي يستخدم البيانات الجديدة في تعلم هذا النمط. كان لا يزال بإمكانه إيجاد طريقه حول الأثاث، لكنه فقد القدرة على التعرف على طبيعة المساحة التي كان فيها.

يُظهر هذا العمل أنه من الممكن تصميم أنظمة إدراك روبوتية تكون مدمجة وواعية بالخصوصية في آن واحد. فمن خلال استخدام نظرية المعلومات لتوجيه عملية الضغط، ابتكر الباحثون أداة تسمح للروبوتات بمشاركة ما تراه دون الكشف عن مكان تواجدها. النظام مصمم للعمل مع أي تقنية خرائط ثلاثية الأبعاد موجودة، مما يوفر طريقة عملية لبناء خطوط معالجة الإدراك الجاهزة للنشر في البيئات البشرية. وقد أطلق الباحثون الكود والنماذج الخاصة بهم للجمهور، مما يوفر لمجتمع الروبوتات وسيلة لبناء آلات تحترم خصوصية المساحات التي تدخلها مع بقائها قادرة على أداء واجباتها.