論文の概要: RoboShape: Information-Theoretic Point Cloud Representations for Privacy-Aware Robot Perception

• arxiv url: http://arxiv.org/abs/2608.21380v1
• Date: Thu, 16 Jul 2026 04:35:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.31988
• Title: RoboShape: Information-Theoretic Point Cloud Representations for Privacy-Aware Robot Perception
• Title（参考訳）: RoboShape:プライバシを意識したロボット認識のための情報理論的ポイントクラウド表現
• Abstract要約: RoboShapeは、凍ったtt Sonataエンコーダに続く情報理論の圧縮ヘッドである。 相互情報(MI)のDonsker-Varadhan定式化を用いたボクセルレベルの埋め込みを計画する。 RoboShapeは87.5%小さな埋め込みをもたらし、98.7%のオブジェクト分類ユーティリティを保持している。 プライバシー保護の埋め込みは、ネットワーク経由で送信したり、ダウンストリームタスクのモデルをトレーニングするために安価である。
• 参考スコア（独自算出の注目度）: 6.893043463239107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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 {\tt 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.
• Abstract（参考訳）: 3D表現(フリートラーニング、クラウドベースプランニング、コラボレーティブマッピングなど)をスキャンして共有することで、人間環境におけるロボットエージェントの採用が増加したことにより、収集されたポイントクラウドは、シーン内のオブジェクトだけでなく、部屋の機能や、住民が開示に同意しなかった情報といった、センシティブな空間的コンテキストも明らかにする。 従来のポイントクラウドエンコーダは、これらに対する原則的な制御を提供していない。 そこで本研究では,凍結した {\tt Sonata} エンコーダに追従した情報理論の圧縮ヘッドであるRoboShapeを紹介する。 相互情報(MI)のDonsker-Varadhan定式化を用いたボクセルレベルの埋め込みを計画する。 具体的には、埋め込みとオブジェクトレベルの理解の間のMIを最大化し、プライベート属性に対して最小化する。 RoboShape は 87.5\% の小さな埋め込みをもたらし、98.7\% のオブジェクト分類ユーティリティを保持しながら、3つの現実世界の屋内LiDARデータセットで39.3\% の感度特性予測を分解する。 プライバシー保護の埋め込みは、ネットワーク経由で送信したり、ダウンストリームタスクのモデルをトレーニングするために安価である。 私たちはRoboShapeのコードベースをリリースし、ロボットコミュニティに、コンパクトでプライバシを認識し、デプロイ対応の知覚パイプラインを構築するための実用的でエンコーダに依存しないツールを提供しています。

関連論文リスト

• Have We Scene It All? Scene Graph-Aware Deep Point Cloud Compression [18.40946383877556]
  セマンティックシーングラフに基づくディープ圧縮フレームワークを提案する。 このフレームワークは最先端の圧縮速度を実現し,データサイズを最大98%削減することを示す。 マルチロボットのポーズグラフ最適化やマップマージといった下流アプリケーションをサポートする。
  論文  参考訳（メタデータ） (2025-10-09T17:45:09Z)
• No Need for Real 3D: Fusing 2D Vision with Pseudo 3D Representations for Robotic Manipulation Learning [4.857549394680453]
  NoReal3D: 3DStructureFormerは、モノクロ画像を幾何学的に意味のある擬似点雲の特徴に変換することができる学習可能な3D知覚モジュールである。 筆者らのフレームワークは,3Dポイントクラウド獲得に伴う実質的なコストを完全に排除しつつ,ロボットの3D空間構造理解を強化する。
  論文  参考訳（メタデータ） (2025-09-20T04:43:42Z)
• Locate 3D: Real-World Object Localization via Self-Supervised Learning in 3D [68.23391872643268]
  LOCATE 3Dは「ソファーとランプの間の小さなコーヒーテーブル」のような表現から3Dシーンの物体をローカライズするモデルである センサー・オブザーバ・ストリーム(RGB-Dフレームの配置)を直接操作し、ロボットやARデバイスへの現実世界の展開を可能にする。
  論文  参考訳（メタデータ） (2025-04-19T02:51:24Z)
• RoboSense: Large-scale Dataset and Benchmark for Egocentric Robot Perception and Navigation in Crowded and Unstructured Environments [62.5830455357187]
  我々は3種類のセンサー(Camera, LiDAR, Fisheye)をベースとした自我中心型マルチセンサデータ収集プラットフォームを構築した。 大規模なマルチモーダルデータセットであるRoboSenseは、エゴセントリックなロボット知覚を促進するために構築されている。
  論文  参考訳（メタデータ） (2024-08-28T03:17:40Z)
• MAPLE: Masked Pseudo-Labeling autoEncoder for Semi-supervised Point Cloud Action Recognition [160.49403075559158]
  本稿では,Pseudo-Labeling autoEncoder (textbfMAPLE) フレームワークを提案する。 特に、MAPLEのバックボーンとして、新規で効率的なtextbfDecoupled textbfspatial-textbftemporal TranstextbfFormer(textbfDestFormer)を設計する。 MAPLEは3つの公開ベンチマークにおいて優れた結果を得て、MSR-Action3の精度を8.08%向上させる。
  論文  参考訳（メタデータ） (2022-09-01T12:32:40Z)
• PC-DAN: Point Cloud based Deep Affinity Network for 3D Multi-Object Tracking (Accepted as an extended abstract in JRDB-ACT Workshop at CVPR21) [68.12101204123422]
  点雲は3次元座標における空間データの密集したコンパイルである。 我々は3次元多目的追跡(MOT)のためのPointNetベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-03T05:36:39Z)
• Learning the Next Best View for 3D Point Clouds via Topological Features [4.447259318741305]
  ノイズの多い3Dセンサの次の最良のビューを導くための強化学習手法を提案する。 測定器は観察された表面の不整合セクションを結合し、穴および凹面セクションのような高密度の特徴に焦点を合わせます。
  論文  参考訳（メタデータ） (2021-03-04T02:19:12Z)
• Where2Act: From Pixels to Actions for Articulated 3D Objects [54.19638599501286]
  可動部を有する関節物体の押出しや引抜き等の基本動作に関連する高度に局所化された動作可能な情報を抽出する。 シミュレーションでネットワークをトレーニングできるオンラインデータサンプリング戦略を備えた学習から対話までのフレームワークを提案します。 私たちの学習モデルは、現実世界のデータにも転送します。
  論文  参考訳（メタデータ） (2021-01-07T18:56:38Z)
• Meshing Point Clouds with Predicted Intrinsic-Extrinsic Ratio Guidance [30.863194319818223]
  既存のポイントへの接続情報のみを付加することで、インプットポイントクラウドを可能な限り活用することを提案する。 私たちの重要なイノベーションはローカル接続のサロゲートであり、本質的/外生的メトリクスを比較して計算します。 提案手法は, 詳細を保存できるだけでなく, あいまいな構造を扱えるだけでなく, 目に見えないカテゴリに対して強い一般化性を持つことを示す。
  論文  参考訳（メタデータ） (2020-07-17T22:36:00Z)
• Conservative Plane Releasing for Spatial Privacy Protection in Mixed Reality [7.734419216983683]
  Augmented Reality(AR)またはMixed Reality(MR)プラットフォームは、物体や表面を検出するために空間的理解を必要とする。 これらの機能は、高解像度と周波数で3次元空間情報をキャプチャするためにAR/MRプラットフォームを必要とする。 データユーティリティを維持しながら空間的プライバシーを提供するために,空間的一般化と保守的リリースを活用することを提案する。
  論文  参考訳（メタデータ） (2020-04-17T01:57:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。