你知道嗎？機器人已經(jīng)可以看穿紙箱和繞過遮擋物。它能提前知道紙箱里面裝了什么，或能幫助網(wǎng)購用戶實現(xiàn)隔箱驗貨，不用再擔心快遞盒子拆開之后難退貨；掃地機器人也能提前知道自己身后是否藏著雜物，從而能夠繞道作業(yè)。

這些功能的實現(xiàn)基于美國麻省理工學(xué)院團隊的一系列新成果。他們使用毫米波信號加上最新的AI，造出了一套叫 Wave Former 的系統(tǒng)。這套系統(tǒng)能穿透紙板、塑料、干墻、布料，看見被完全遮擋的物體，還能把物體的完整形狀重建出來。

（來源：相關(guān)論文）

他們還有另一套叫 RISE 的系統(tǒng)，能利用房間里走動的人，反推出整個房間的布局。

這兩項研究的主要作者之一都是 Laura Dodds，她是 MIT 媒體實驗室的研究助理。兩篇論文都已被 IEEE 計算機視覺與模式識別會議接收。

圖 | Laura Dodds（來源：GitHub）

他們用毫米波雷達，就是那種和 Wi-Fi 用相同頻段的無線電波來照亮遮擋物后面的物體。毫米波能穿透普通材料，打到物體上再彈回來，就像聲吶和雷達的原理一樣。

但這里有一個大麻煩，毫米波的反射方式跟光不一樣。光照到粗糙表面會向四面八方散開，所以相機能拍到物體的各個面。毫米波卻像鏡子，只有正好朝向雷達的那一小塊表面會把信號彈回來，其他部分會把信號彈向別處。

所以傳統(tǒng)方法只能看到物體的正面，側(cè)面和背面完全看不見，就像你站在鏡子前只能看見自己的臉，看不見后腦勺。

（來源：相關(guān)論文）

Wave Former 的妙處在于，它先用物理學(xué)方法從毫米波信號里拼出一塊不完整的拼圖，然后用生成式 AI 把這個拼圖補全。但這又引出一個新問題，AI 需要海量數(shù)據(jù)訓(xùn)練，可毫米波數(shù)據(jù)少得可憐，根本不夠用。

研究團隊的解決辦法非常聰明，他們從現(xiàn)有的計算機視覺數(shù)據(jù)集里找圖像，把那些圖像改造成毫米波反射的樣子。比如，他們故意讓圖像只保留正面部分，再把其他面隨機去掉，再往里面加模擬的噪聲，讓這些假數(shù)據(jù)看起來和真實的毫米波反射一模一樣。

然后用這些數(shù)據(jù)訓(xùn)練一個叫 PoInTr 的 AI 模型，讓它學(xué)會從殘缺的拼圖里猜出完整形狀。

整套系統(tǒng)分三步走。

第一步，毫米波雷達掃描物體，生成一堆候選表面，每個候選表面都是一種可能的猜測。

第二步，把這些猜測喂給訓(xùn)練好的 AI 模型，讓模型補全形狀。

第三步，從這些補全后的形狀里挑一個最好的。他們用了一個叫熵的指標，熵越高意味著越亂越不可靠，他們選熵最低的那個，也就是最整齊最合理的那個形狀。

實驗里，他們用了 61 種日常物品做測試，從罐頭、盒子到扳手、電鉆，全部藏在紙板箱或布料后面。Wave Former 的召回率達到了 72%，比第二名高出一大截，而且精準度保持 85%。

這意味著它不僅能找到大部分物體，而且找得準。他們還特意測試了極端情況，當雷達只能看到 18% 的物體表面時，其他方法已經(jīng)徹底蒙圈，Wave Former 依然能還原出大致形狀，誤差比對手小了 20%。

（來源：相關(guān)論文）

第二項研究 RISE 利用房間里走動的人來重建整個房間的布局。原理是人走路的時候會激發(fā)多徑反射，信號先打到人身上，再彈到墻上，再彈回雷達，這些鬼影信號平時都被當成噪聲扔掉，但它們其實攜帶著墻壁和家具的信息。Dodds 告訴媒體，通過分析這些反射隨時間的變化，就能粗略理解周圍環(huán)境。

（來源：相關(guān)論文）

他們用同樣的思路來訓(xùn)練 AI，先造出一堆模擬的多徑反射數(shù)據(jù)，教 AI 理解鬼影和房間布局之間的關(guān)系。

測試時，他們讓真人拿著雷達在11種不同房間里走了 100 條路線，生成了 5 萬幀數(shù)據(jù)。RISE 系統(tǒng)把房間布局的重建誤差從 40 厘米降到了 16 厘米，比對手精準了 60%。它還能同時檢測出桌子、柜子、沙發(fā)這些家具，交并比達到了 58%。

該團隊的負責人、麻省理工學(xué)院 Fadel Adib 教授說，他們花了十幾年研究怎么讓機器人看見遮擋物后面的東西，之前的方法受限于物理原理，精度總提不上去?，F(xiàn)在他們用生成式 AI 終于跨過了這道坎，從填補看不見的縫隙到理解整個場景，這是一次質(zhì)的飛躍。

這套系統(tǒng)目前還依賴真人走動來激發(fā)多徑反射，如果房間完全沒人就失效了。而且毫米波對金屬和很厚的墻無能為力。

研究團隊下一步要造出專門針對無線信號的基礎(chǔ)模型，希望能像 ChatGPT 那樣通用，到那時候預(yù)計隨便一個 Wi-Fi 路由器就能看見整個屋子。

參考資料：

相關(guān)論文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/

運營/排版：何晨龍