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

Robots verplaatsen zich steeds vaker uit laboratoria naar onze huizen, ziekenhuizen en werkplekken. Om deze complexe ruimtes te navigeren, vertrouwen ze op sensoren die de wereld vastleggen als een wolk van miljoenen kleine puntjes, waardoor een driedimensionale kaart van hun omgeving wordt gecreëerd. Deze kaarten stellen machines in staat om een stoel te herkennen, een tafel te vermijden of een pad door een drukke kamer te plannen. Echter, naarmate robots deze kaarten delen met cloudservers of andere machines om van elkaar te leren, is er een nieuw probleem ontstaan. De rijkdom die deze kaarten juist zo nuttig maakt voor navigatie, onthult ook intieme details over de mensen die er wonen. Een scan van een woonkamer kan een bank laten zien, maar de indeling van de meubels en de lay-out van de ruimte kunnen ook onthullen of het een slaapkamer, een kantoor aan huis of een privé medische ruimte is—informatie die de bewoners nooit bedoeld hadden te delen.

Jarenlang hebben ingenieurs gestreden met deze spanning tussen bruikbaarheid en privacy. Traditionele methoden om gegevens te beschermen werken vaak als een bot instrument. Het toevoegen van willekeurige ruis aan een kaart kan het type kamer misschien verbergen, maar het vervaagt ook de stoel en de deur, waardoor de robot minder effectief wordt. Andere benaderingen husselen de gegevens of proberen te raden wat verborgen moet worden, maar ze missen een precieze manier om exact te meten hoeveel privé-informatie er nog aanwezig is. De kernuitdaging is geweest om een manier te vinden om de details te behouden die een robot nodig heeft om zijn werk te doen, terwijl de details die het privéleven van een persoon onthullen chirurgisch worden verwijderd, zonder de algehele kwaliteit van de kaart te verslechteren.

Een team van onderzoekers heeft een nieuw systeem genaamd RoboShape geïntroduceerd om dit probleem op te lossen. In plaats van de volledige 3D-kaart te behandelen als een enkele, ondeelbare blok aan gegevens, breken ze deze af in kleine, beheersbare brokstukken die voxels worden genoemd. Denk aan een voxel als een piepkleine, driedimensionale pixel die een klein kubusje van de ruimte vertegenwoordigt. De onderzoekers beginnen met een krachtig, vooraf getraind computerprogramma dat al goed heeft geleerd deze brokstukken te begrijpen. Dit programma zet elk brokstuk van de 3D-kaart om in een lange lijst met getallen, bekend als een embedding, die alles vastlegt wat de robot weet over die specifieke plek, inclusief zowel het object dat het ziet als het type kamer waarin het zich bevindt.

De innovatie ligt in wat er daarna gebeurt. De onderzoekers hebben een lichtgewicht, trainbare laag toegevoegd bovenop dit bestaande programma. Deze nieuwe laag werkt als een filter die de lange lijst met getallen omvormt naar een veel kortere lijst. Het doel van deze vormverandering wordt gestuurd door een wiskundig principe genaamd wederzijdse informatie (mutual information), wat in essentie meet hoeveel de ene stuk gegevens iets zegt over de andere. Het systeem wordt getraind met twee tegenovergestelde instructies. Ten eerste krijgt het de opdracht om zoveel mogelijk informatie te behouden over het object zelf, zodat de robot nog steeds een stoel of een bureau kan herkennen. Ten tweede krijgt het de opdracht om zoveel mogelijk informatie te verwijderen over het type kamer, zodat de robot niet kan zien of het een slaapkamer of een badkamer is.

Om het systeem te leren hoe het deze concurrerende doelen moet balanceren, gebruikten de onderzoekers een specifieke methode om de informatiestroom tijdens de training te schatten. Ze behandelden elk klein brokstuk van de kaart als een onafhankelijke steekproef, waardoor ze precies konden meten hoeveel de verkorte lijst met getallen nog steeds onthulde over het type kamer. Door de filter aan te passen om de verbinding met het object te maximaliseren en de verbinding met de kamer te minimaliseren, leerde het systeem de gegevens aanzienlijk te comprimeren. Het resultaat is een representatie die 87,5% kleiner is dan het origineel, waardoor het veel goedkoper en sneller te verzenden is over een netwerk.

De onderzoekers testten deze aanpak op drie verschillende real-world datasets die duizenden binnenruimtes bevatten, variërend van enkele kamers tot volledige gebouwen. Ze vergeleken hun methode met standaardtechnieken die simpelweg ruis toevoegen of willekeurige compressie gebruiken. De resultaten lieten zien dat het nieuwe systeem 98,7% van zijn vermogen om objecten te identificeren behield, wat betekent dat de robot zijn taken bijna net zo goed kon uitvoeren als voorheen. Tegelijkertijd verminderde het systeem het vermogen om het type kamer te raden met 39,3%. In een test waarbij een standaard computerprogramma het type kamer bijna perfect kon identificeren vanuit de originele gegevens, maakte de nieuwe gecomprimeerde data de gok niet beter dan een willekeurige kans.

Om te waarborgen dat deze bevindingen standhielden in een real-world scenario, simuleerden de onderzoekers ook een robot die door een virtuele omgeving navigeert. Ze trainden een robot om een muur te vinden, een taak die begrip van de geometrie van de ruimte vereist. De robot die de nieuwe gecomprimeerde data gebruikte, presteerde bijna net zo goed als een robot die de volledige, ongecomprimeerde data gebruikte. Echter, toen ze testten of de robot specifiek op basis van het kamertype kon leren navigeren—zoals naar een andere zone bewegen als het in een slaapkamer versus een woonkamer was—faalde de robot met de nieuwe data om dit patroon te leren. De robot kon nog steeds zijn weg vinden tussen de meubels door, maar het was de mogelijkheid verloren om de aard van de ruimte te herkennen.

Dit werk demonstreert dat het mogelijk is om robot-perceptiesystemen te ontwerpen die zowel compact als privacybewust zijn. Door informatietheorie te gebruiken om het compressieproces te sturen, hebben de onderzoekers een hulpmiddel gecreëerd dat robots in staat stelt om te delen wat ze zien zonder te onthullen waar ze zijn. Het systeem is ontworpen om te werken met elke bestaande 3D-mappingtechnologie, wat een praktische manier biedt om perceptie-pipelines te bouwen die klaar zijn voor implementatie in menselijke omgevingen. De onderzoekers hebben hun code en modellen publiekelijk beschikbaar gesteld, waardoor de robotica-gemeenschap een methode heeft gekregen om machines te bouwen die de privacy van de ruimtes die ze betreden respecteren, terwijl ze toch in staat blijven hun taken uit te voeren.