家庭服务机器人在进入私人住宅执行任务时，通常依赖丰富的感知信号来定位、导航和操作物体。然而，一项由 Yuqiao Xu 等人提交至 arXiv 的新研究（编号 2609.03055，分类为 cs.RO 与 cs.CR）指出，即便原始传感器数据始终留在本地，隐私风险也不会自动消失。因为机器人经常需要将经过处理的结构化表示导出给下游规划器、云端服务、日志系统或学习管线；这些表示可能携带有关家庭布局、物体类别、空间结构乃至任务目标的信息，成为潜在攻击者推断用户生活的入口。
面对这一威胁，研究团队提出任务功能感知蒸馏（Task-Functional Perception Distillation, TFPD）框架。它的核心理念是把丰富的原始感知保留在本机，只根据具体任务的需求导出必要的表示，并借助任务效用、直接暴露和多种残留推断风险三个维度，刻画每次导出的隐私暴露面。作者强调，任何脱离任务场景的导出方案都难以判断是否安全，因此 TFPD 刻意将任务范围限定在导航、碰撞检查与目标驱动执行等实际机器人操作中。
为了实证检验该框架，研究者在 120 个 AI2-THOR 场景上进行实验，设计了场景不相交的训练/验证/测试集，并冻结攻击者选择、采用具有表示感知能力的保留数据攻击，以模拟真实世界中攻击者对已知表示的利用。结果显示，三种导航导出均实现完全一致的成功率 1.000 与平均路径比 0.898，但表示层面可链接性却从 0.532 一直延伸到 0.970。换句话说，机器人或许在导航任务上表现无异，但从导出表示推测家庭身份或布局的难度却可能天差地别。该现象直接反驳了“任务等价即隐私等价”的直觉。
研究还针对常见隐私缓解措施进行了测试。把显式目标标签替换为目标区域后，目标类别宏 F1 从 1.000 骤降至 0.077，而任务成功率仍保持在 0.995；对几何表示进行粗粒化后，对象类别宏 F1 从 0.704 降至 0.556，但碰撞效用也出现了可观察的损失。这组结果表明，简单删除某些字段或用更抽象的空间表示并不足以建立稳定的隐私防护，隐私与效用之间往往存在相互制约的权衡。
为了进一步确认结论的普适性，作者在 ProcTHOR 上重复了核心实验。复现结果继续支持“任务等价但隐私不等价”的主要发现，但归一化表示与拓扑表示之间的相对风险排序发生了变化。该现象再次证明，不存在对所有场景都成立的通用隐私排序；研究者或开发者在公开发布表示前，必须针对完整表示进行任务特定、多风险的评估。该论文于 2026 年 9 月 2 日提交，并已分配 arXiv:2609.03055，DOI 正在 DataCite 注册，其研究领域涵盖机器人学（cs.RO）与密码学和安全（cs.CR）。