Privacy durch Physik

Zwei Datenschutzrisiken bei Außenrobotern

Nach vorne gerichtete Kameras

Eine Frontkamera erfasst alles im Sichtfeld: Fußgänger, Fahrzeuge, Strukturen, Nachbarn.

Die Antwort der Branche ist Software-Abschwächung — jede ist umgehbar.

Die logische Struktur von „wir erfassen Ihr Gesicht, verwischen es aber sofort" lautet: Vertrauen Sie der Software, vertrauen Sie der Richtlinie, vertrauen Sie der Implementierung. Jedes Glied dieser Kette ist ein Fehlervektor.

LiDAR-Kartierung

LiDAR-Sensoren erzeugen präzise dreidimensionale Karten — nicht nur vom Rasen, sondern von Grundstücksgrenzen, Gebäudeumrissen, Nachbarzäunen, Fahrzeugen in Einfahrten, Fenstern und Durchgangsbereichen.

Anders als Kamerabilder können LiDAR-Punktwolken nicht sinnvoll anonymisiert werden. Bei Kameradaten können Sie Gesichter verwischen. Für eine LiDAR-Punktwolke einer Wohngegend gibt es keine vergleichbare Operation.

Wenn diese Daten auf Servern in Jurisdiktionen mit schwachem Datenschutz gespeichert werden, wird die Grundstückstopologie des Kunden — und damit Informationen über seinen Lebensstil — exponiert.

Software-basierte Datenschutzgarantien erfordern Vertrauen in den Hersteller.

Alles zu erfassen und nachträglich zu filtern wäre die einfachere Ingenieurswahl gewesen. Die Beschränkung existiert, weil Datenschutz durch Physik robuster ist als Datenschutz durch Software.

Vision-Primary Navigation: Protection Beyond Privacy

Privacy by Physics extends to how the robot knows where it is. Most outdoor robots in the current generation rely on GNSS (GPS / RTK) as the primary navigation reference. This creates a class of vulnerability that has migrated from military scenarios to the consumer threat model: GPS spoofing — the transmission of counterfeit GNSS signals that convince the receiver it is somewhere other than its true location.

SDR transmitters capable of generating such signals are now available for a few hundred dollars, with open-source software and public tutorials. A motivated local attacker — a neighbor, a thief, anyone wanting to push the robot out of its perimeter — can now manipulate the position of a GNSS-dependent device without breaching its cloud, its credentials, or its firmware. A robot that "knows" it is ten meters to the left of where it actually is will mow where it should not, exit a geofence without noticing, cross into a neighbor's property, or end up in the street.

The Lawn Companion does not rely on GPS as its primary navigation reference. The primary system is vision of the turf surface beneath the wheels — the patented architecture covered by U.S. Patent No. 11,297,755 B2, "Method for controlling a soil working means based on image processing and related system." The camera analyzes texture, density, color, and morphology of the lawn surface in real time and distinguishes grass from non-grass — asphalt, gravel, packed soil, sidewalk.

If a GNSS signal disagrees with the visual evidence, the visual evidence wins. The robot cannot be talked off the lawn by a falsified radio signal, because it is looking at the lawn, not listening to the satellite.

This is the same architectural principle that governs the camera geometry, the credential model, and the data pipeline: do not trust a single external signal that can be manipulated from outside the device. The robot knows where it is because it sees where it is — not because it is told.

Besser für den Datenschutz — und besser für Ihren Rasen

Die Datenschutzarchitektur ist kein Kompromiss mit der Leistungsfähigkeit. Die nach unten gerichtete Orientierung ist auch die technisch überlegene Wahl für die Rasenanalyse:

• Höhere Pflanzenauflösung. Eine Kamera, die aus weniger als 20 cm auf den Boden zeigt, erfasst Rasen in einer Auflösung, die nach vorne gerichtete Systeme nicht erreichen.
• Besseres Signal-Rausch-Verhältnis. Das gesamte Bild ist Gegenstand der Analyse. Keine Hintergrundsubtraktion, keine Szenensegmentierung.
• Bessere Unkrauterkennung. Die Identifikation von Unkrautarten hängt von feinen morphologischen Merkmalen ab: Blattform, Nervenmuster, Randdetails.
• Geringerer Rechenaufwand. Nur agronomische Signale zu verarbeiten bedeutet geringeren Energieverbrauch und längere Akkulaufzeit.

Das System ist gleichzeitig privater und leistungsfähiger — weil die optimale Betrachtungsgeometrie für die Rasenanalyse auch die ist, die Überwachungspfade eliminiert.