家庭服務機器人在進入私人住宅執行任務時，通常依賴豐富的感知訊號來定位、導航和操作物體。然而，一項由 Yuqiao Xu 等人提交至 arXiv 的新研究（編號 2609.03055，分類為 cs.RO 與 cs.CR）指出，即便原始感測器資料始終留在本地，隱私風險也不會自動消失。因為機器人經常需要將經過處理的結構化表示匯出給下游規劃器、雲端服務、日誌系統或學習管線；這些表示可能攜帶有關家庭佈局、物體類別、空間結構乃至任務目標的資訊，成為潛在攻擊者推斷使用者生活的入口。
面對這一威脅，研究團隊提出任務功能感知蒸餾（Task-Functional Perception Distillation, TFPD）框架。它的核心理念是把豐富的原始感知保留在本機，只根據具體任務的需求匯出必要的表示，並藉助任務效用、直接暴露和多種殘留推斷風險三個維度，刻畫每次匯出的隱私暴露面。作者強調，任何脫離任務場景的匯出方案都難以判斷是否安全，因此 TFPD 刻意將任務範圍限定在導航、碰撞檢查與目標驅動執行等實際機器人操作中。
為了實證檢驗該框架，研究者在 120 個 AI2-THOR 場景上進行實驗，設計了場景不相交的訓練/驗證/測試集，並凍結攻擊者選擇、採用具有表示感知能力的保留資料攻擊，以模擬真實世界中攻擊者對已知表示的利用。結果顯示，三種導航匯出均實現完全一致的成功率 1.000 與平均路徑比 0.898，但表示層面可連結性卻從 0.532 一直延伸到 0.970。換句話說，機器人或許在導航任務上表現無異，但從匯出表示推測家庭身份或佈局的難度卻可能天差地別。該現象直接反駁了“任務等價即隱私等價”的直覺。
研究還針對常見隱私緩解措施進行了測試。把顯式目標標籤替換為目標區域後，目標類別宏 F1 從 1.000 驟降至 0.077，而任務成功率仍保持在 0.995；對幾何表示進行粗粒化後，物件類別宏 F1 從 0.704 降至 0.556，但碰撞效用也出現了可觀察的損失。這組結果表明，簡單刪除某些欄位或用更抽象的空間表示並不足以建立穩定的隱私防護，隱私與效用之間往往存在相互制約的權衡。
為了進一步確認結論的普適性，作者在 ProcTHOR 上重複了核心實驗。復現結果繼續支援“任務等價但隱私不等價”的主要發現，但歸一化表示與拓撲表示之間的相對風險排序發生了變化。該現象再次證明，不存在對所有場景都成立的通用隱私排序；研究者或開發者在公開發布表示前，必須針對完整表示進行任務特定、多風險的評估。該論文於 2026 年 9 月 2 日提交，並已分配 arXiv:2609.03055，DOI 正在 DataCite 註冊，其研究領域涵蓋機器人學（cs.RO）與密碼學和安全（cs.CR）。