你知道嗎？機器人已經可以看穿紙箱和繞過遮擋物。它能提前知道紙箱裏面裝了什麼，或能幫助網購用戶實現隔箱驗貨，不用再擔心快遞盒子拆開之後難退貨；掃地機器人也能提前知道自己身後是否藏着雜物，從而能夠繞道作業。
這些功能的實現基於美國麻省理工學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。這套系統能穿透紙板、塑料、幹牆、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：相關論文）
他們還有另一套叫 RISE 的系統，能利用房間裏走動的人，反推出整個房間的佈局。
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後面的物體。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。
但這裏有一個大麻煩，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。
所以傳統方法只能看到物體的正面，側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，看不見後腦勺。
（來源：相關論文）
Wave Former 的妙處在於，它先用物理學方法從毫米波信號裏拼出一塊不完整的拼圖，然後用生成式 AI 把這個拼圖補全。但這又引出一個新問題，AI 需要海量數據訓練，可毫米波數據少得可憐，根本不夠用。
研究團隊的解決辦法非常聰明，他們從現有的計算機視覺數據集裏找圖像，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，再往裏面加模擬的噪聲，讓這些假數據看起來和真實的毫米波反射一模一樣。
然後用這些數據訓練一個叫 PoInTr 的 AI 模型，讓它學會從殘缺的拼圖裏猜出完整形狀。
整套系統分三步走。
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，把這些猜測餵給訓練好的 AI 模型，讓模型補全形狀。
第三步，從這些補全後的形狀裏挑一個最好的。他們用了一個叫熵的指標，熵越高意味着越亂越不可靠，他們選熵最低的那個，也就是最整齊最合理的那個形狀。
實驗裏，他們用了 61 種日常物品做測試，從罐頭、盒子到扳手、電鑽，全部藏在紙板箱或布料後面。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%。
這意味着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：相關論文）
第二項研究 RISE 利用房間裏走動的人來重建整個房間的佈局。原理是人走路的時候會激發多徑反射，信號先打到人身上，再彈到牆上，再彈回雷達，這些鬼影信號平時都被當成噪聲扔掉，但它們其實攜帶着牆壁和傢俱的信息。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境。
（來源：相關論文）
他們用同樣的思路來訓練 AI，先造出一堆模擬的多徑反射數據，教 AI 理解鬼影和房間佈局之間的關係。
測試時，他們讓真人拿着雷達在11種不同房間裏走了 100 條路線，生成了 5 萬幀數據。RISE 系統把房間佈局的重建誤差從 40 釐米降到了 16 釐米，比對手精準了 60%。它還能同時檢測出桌子、櫃子、沙發這些傢俱，交併比達到了 58%。
該團隊的負責人、麻省理工學院 Fadel Adib 教授說，他們花了十幾年研究怎麼讓機器人看見遮擋物後面的東西，之前的方法受限於物理原理，精度總提不上去。現在他們用生成式 AI 終於跨過了這道坎，從填補看不見的縫隙到理解整個場景，這是一次質的飛躍。
這套系統目前還依賴真人走動來激發多徑反射，如果房間完全沒人就失效了。而且毫米波對金屬和很厚的牆無能爲力。
研究團隊下一步要造出專門針對無線信號的基礎模型，希望能像 ChatGPT 那樣通用，到那時候預計隨便一個 Wi-Fi 路由器就能看見整個屋子。
參考資料：
相關論文
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
