你知道吗？机器人已经可以看穿纸箱和绕过遮挡物。它能提前知道纸箱里面装了什么，或能帮助网购用户实现隔箱验货，不用再担心快递盒子拆开之后难退货；扫地机器人也能提前知道自己身后是否藏着杂物，从而能够绕道作业。
这些功能的实现基于美国麻省理工学院团队的一系列新成果。他们使用毫米波信号加上最新的AI，造出了一套叫 Wave Former 的系统。这套系统能穿透纸板、塑料、干墙、布料，看见被完全遮挡的物体，还能把物体的完整形状重建出来。
他们还有另一套叫 RISE 的系统，能利用房间里走动的人，反推出整个房间的布局。
这两项研究的主要作者之一都是 Laura Dodds，她是 MIT 媒体实验室的研究助理。两篇论文都已被 IEEE 计算机视觉与模式识别会议接收。
他们用毫米波雷达，就是那种和 Wi-Fi 用相同频段的无线电波来照亮遮挡物后面的物体。毫米波能穿透普通材料，打到物体上再弹回来，就像声呐和雷达的原理一样。
但这里有一个大麻烦，毫米波的反射方式跟光不一样。光照到粗糙表面会向四面八方散开，所以相机能拍到物体的各个面。毫米波却像镜子，只有正好朝向雷达的那一小块表面会把信号弹回来，其他部分会把信号弹向别处。
所以传统方法只能看到物体的正面，侧面和背面完全看不见，就像你站在镜子前只能看见自己的脸，看不见后脑勺。
Wave Former 的妙处在于，它先用物理学方法从毫米波信号里拼出一块不完整的拼图，然后用生成式 AI 把这个拼图补全。但这又引出一个新问题，AI 需要海量数据训练，可毫米波数据少得可怜，根本不够用。
研究团队的解决办法非常聪明，他们从现有的计算机视觉数据集里找图像，把那些图像改造成毫米波反射的样子。比如，他们故意让图像只保留正面部分，再把其他面随机去掉，再往里面加模拟的噪声，让这些假数据看起来和真实的毫米波反射一模一样。
然后用这些数据训练一个叫 PoInTr 的 AI 模型，让它学会从残缺的拼图里猜出完整形状。
整套系统分三步走。
第一步，毫米波雷达扫描物体，生成一堆候选表面，每个候选表面都是一种可能的猜测。
第二步，把这些猜测喂给训练好的 AI 模型，让模型补全形状。
第三步，从这些补全后的形状里挑一个最好的。他们用了一个叫熵的指标，熵越高意味着越乱越不可靠，他们选熵最低的那个，也就是最整齐最合理的那个形状。
实验里，他们用了 61 种日常物品做测试，从罐头、盒子到扳手、电钻，全部藏在纸板箱或布料后面。Wave Former 的召回率达到了 72%，比第二名高出一大截，而且精准度保持 85%。
这意味着它不仅能找到大部分物体，而且找得准。他们还特意测试了极端情况，当雷达只能看到 18% 的物体表面时，其他方法已经彻底蒙圈，Wave Former 依然能还原出大致形状，误差比对手小了 20%。
第二项研究 RISE 利用房间里走动的人来重建整个房间的布局。原理是人走路的时候会激发多径反射，信号先打到人身上，再弹到墙上，再弹回雷达，这些鬼影信号平时都被当成噪声扔掉，但它们其实携带着墙壁和家具的信息。Dodds 告诉媒体，通过分析这些反射随时间的变化，就能粗略理解周围环境。
他们用同样的思路来训练 AI，先造出一堆模拟的多径反射数据，教 AI 理解鬼影和房间布局之间的关系。
测试时，他们让真人拿着雷达在11种不同房间里走了 100 条路线，生成了 5 万帧数据。RISE 系统把房间布局的重建误差从 40 厘米降到了 16 厘米，比对手精准了 60%。它还能同时检测出桌子、柜子、沙发这些家具，交并比达到了 58%。
该团队的负责人、麻省理工学院 Fadel Adib 教授说，他们花了十几年研究怎么让机器人看见遮挡物后面的东西，之前的方法受限于物理原理，精度总提不上去。现在他们用生成式 AI 终于跨过了这道坎，从填补看不见的缝隙到理解整个场景，这是一次质的飞跃。
这套系统目前还依赖真人走动来激发多径反射，如果房间完全没人就失效了。而且毫米波对金属和很厚的墙无能为力。
研究团队下一步要造出专门针对无线信号的基础模型，希望能像 ChatGPT 那样通用，到那时候预计随便一个 Wi-Fi 路由器就能看见整个屋子。
参考资料：
相关论文https://arxiv.org/pdf/2511.14019和https://arxiv.org/pdf/2511.14152
https://news.mit.edu/2026/generative-ai-improves-wireless-vision-system-sees-through-obstructions-0319
https://news.mit.edu/2025/new-imaging-technique-reconstructs-hidden-object-shapes-0701
https://laura-dodds.github.io/
运营/排版：何晨龙
热门跟贴