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

로봇이 실험실을 벗어나 우리의 가정, 병원, 그리고 일터로 점점 더 많이 진출하고 있습니다. 이러한 복잡한 공간을 탐색하기 위해 로봇은 수백만 개의 작은 점들로 이루어진 구름 형태로 세상을 포착하여 주변 환경의 3차원 지도를 만드는 센서에 의존합니다. 이 지도는 기계가 의자를 인식하거나, 테이블을 피하거나, 붐비는 방을 통과하는 경로를 계획할 수 있게 해줍니다. 그러나 로봇이 서로로부터 배우기 위해 이 지도를 클라우드 서버나 다른 기계와 공유함에 따라 새로운 문제가 발생했습니다. 이 지도가 항해에 유용하게 쓰이는 바로 그 풍부함이 그곳에 사는 사람들에 대한 내밀한 세부 정보까지 드러내게 된 것입니다. 거실을 스캔하면 소파가 보일 수 있지만, 가구의 배치와 공간의 구조는 그 방이 침실인지, 홈 오피스인지, 혹은 사적인 의료 구역인지를 드러낼 수 있으며, 이는 거주자들이 공유할 의도가 없었던 정보입니다.

수년 동안 엔지니어들은 유용성과 프라이버시 사이의 이러한 긴장 관계를 해결하기 위해 고군분투해 왔습니다. 데이터를 보호하기 위한 전통적인 방법들은 종종 투박한 도구처럼 작동합니다. 지도에 무작위 노이즈를 추가하는 것은 방의 유형은 숨길 수 있겠지만, 의자와 문까지 흐릿하게 만들어 로봇의 효율성을 떨어뜨립니다. 다른 접근 방식들은 데이터를 섞거나 무엇을 숨길지 추측하려고 시도하지만, 남겨진 프라이버시 정보가 정확히 어느 정도인지 측정하는 정밀한 방법이 부족합니다. 핵심 과제는 로봇이 업무를 수행하는 데 필요한 세부 사항은 유지하면서, 사람의 사생활을 드러내는 세부 사항만을 정교하게 제거하여 전체적인 지도의 품질을 저하시키지 않는 방법을 찾는 것이었습니다.

연구진은 이 문제를 해결하기 위해 '로보셰이프(RoboShape)'라고 불리는 새로운 시스템을 도입했습니다. 3차원 지도를 하나의 나눌 수 없는 거대한 데이터 블록으로 취급하는 대신, 그들은 이를 '복셀(voxel)'이라고 불리는 작고 관리 가능한 덩어리로 나눕니다. 복셀을 작은 3차원 픽셀, 즉 공간의 작은 입방체라고 생각하면 됩니다. 연구진은 이미 이러한 덩어리들을 잘 이해하도록 학습된 강력한 사전 훈련된 컴퓨터 프로그램을 사용합니다. 이 프로그램은 3차원 지도의 각 덩어리를 '임베딩(embedding)'이라 불리는 긴 숫자 목록으로 변환하며, 이 임베딩은 로봇이 해당 지점에서 보고 있는 물체와 방의 유형을 포함하여 알고 있는 모든 것을 포착합니다.

혁신은 그다음 단계에서 일어납니다. 연구진은 기존 프로그램 위에 가볍고 학습 가능한 레이어를 추가했습니다. 이 새로운 레이어는 긴 숫자 목록을 훨씬 짧은 목록으로 재구성하는 필터 역할을 합니다. 이 재구성의 목표는 '상호 정보량(mutual information)'이라는 수학적 원리에 의해 유도됩니다. 상호 정보량은 본질적으로 한 데이터 조각이 다른 데이터 조각에 대해 얼마나 많은 정보를 알려주는지를 측정합니다. 시스템은 두 가지 상충하는 지침에 따라 학습됩니다. 첫째, 로봇이 여전히 의자나 책상을 인식할 수 있도록 물체 자체에 대한 정보는 최대한 유지하라는 것입니다. 둘째, 로봇이 침실인지 욕실인지 알 수 없도록 방의 유형에 대한 정보는 최대한 제거하라는 것입니다.

이러한 상충하는 목표 사이의 균형을 맞추는 법을 가르치기 위해, 연구진은 학습 과정 중 정보의 흐름을 추정하는 특정 방법을 사용했습니다. 그들은 지도의 각 작은 덩어리를 독립적인 샘лев플로 취급하여, 단축된 숫자 목록이 방의 유형에 대해 여전히 얼마나 많은 정보를 드러내는지 정밀하게 측정했습니다. 필터를 조정하여 물체와의 연결성은 극대화하고 방과의 연결성은 최소화함으로써, 시스템은 데이터를 상당히 압축하는 법을 배웠습니다. 그 결과, 원래보다 87.5% 더 작은 표현을 얻었으며, 이는 네트워크를 통해 전송할 때 훨씬 더 저렴하고 빠르게 만들 수 있음을 의미합니다.

연구진은 단일 객실부터 건물 전체에 이르기까지 다양한 실내 장면을 포함하는 세 가지 실제 데이터셋을 사용하여 이 접근 방식을 테스트했습니다. 그들은 단순히 노이즈를 추가하거나 무작위 압축을 사용하는 표준 기술들과 비교했습니다. 결과에 따르면, 새로운 시스템은 물체를 식별하는 능력을 98.7% 유지하여 로봇이 이전과 거의 비슷하게 업무를 수행할 수 있었습니다. 동시에, 방의 유형을 추측하는 능력은 39.3% 감소했습니다. 표준 컴퓨터 프로그램이 원래의 데이터로부터 방의 유형을 거의 완벽하게 식별할 수 있었던 테스트에서, 새로운 압축 데이터는 그 추측이 무작위 확률보다 나을 것이 없는 수준으로 만들었습니다.

실제 상황에서도 이러한 결과가 유효한지 확인하기 위해, 연구진은 가상 환경에서 로봇이 탐색하는 과정을 시뮬레이션했습니다. 연구진은 로봇이 벽을 찾는 훈련을 시켰는데, 이는 공간의 기하학적 구조를 이해해야 하는 작업입니다. 새로운 압축 데이터를 사용하는 로봇은 전체 압축되지 않은 데이터를 사용하는 로봇과 거의 비슷하게 수행했습니다. 그러나 로봇이 방의 유형(예: 침실인지 거실인지에 따라 특정 구역으로 이동하는 것)에 기반하여 탐색하는 법을 배울 수 있는지 테스트했을 때, 새로운 데이터를 사용하는 로봇은 이 패턴을 학습하는 데 실패했습니다. 로봇은 여전히 가구 주변을 찾아 다닐 수는 있었지만, 자신이 있는 공간의 성격을 인식하는 능력은 상실한 상태였습니다.

이 연구는 로봇의 인지 시스템을 작으면서도 프라이버시를 고려하도록 설계하는 것이 가능하다는 것을 보여줍니다. 정보 이론을 사용하여 압축 과정을 안내함으로써, 연구진은 로봇이 자신이 어디에 있는지 드러내지 않으면서도 자신이 보는 것을 공유할 수 있는 도구를 만들었습니다. 이 시스템은 모든 기존 3D 매핑 기술과 함께 작동할 수 있도록 설계되어, 인간의 환경에 배치될 준비가 된 인지 파이프라인을 구축하는 실질적인 방법을 제공합니다. 연구진은 자신들의 코드와 모델을 대중에 공개하여, 로봇 커뮤니티가 들어가는 공간의 프라이버시를 존중하면서도 본연의 임무를 수행할 수 있는 기계를 구축할 수 있는 방법을 제공했습니다.