3 月 19 日，MIT News 報導 Media Lab 研究團隊開發的 Wave-Former 系統：利用毫米波無線訊號（Wi-Fi 所用頻段）穿過紙箱、木板與石膏板，再交給生成式 AI 補全形狀，重建完全被遮蔽物體的 3D 外形。計畫由 Fadel Adib（MIT EECS 副教授、Media Lab Signal Kinetics 組主持人）領銜，論文《Wave-Former: Through-Occlusion 3D Reconstruction via Wireless Shape Completion》獲 CVPR 2026 接受。團隊在約 70 個日常物體上測試，重建準確度比現有最佳方法提升近 20%。
對機器人與倉儲自動化來說，這一步很關鍵：過去「感測器看不見，手臂就摸不到」的限制，第一次有系統性的解法，而且用的還是既有硬體就能發射的無線訊號。
Wave-Former 解決什麼問題
毫米波可以穿過乾牆、塑膠與紙板，並從被遮蔽的物體反射回感測器——這是「無線視覺」的物理基礎。但這條路一直有個老大難：毫米波的反射是鏡面式的，能量只朝單一方向彈開。研究員 Laura Dodds 的比喻是，感測器往往只「看見」物體的頂面，側面與底部近乎空白。此前 Adib 團隊的方法仰賴物理式解讀反射訊號，重建準確度的上限就卡在這裡。
鏡面反射與生成式補形
Wave-Former 的解法是把物理感測與生成式模型串成管線：系統先從反射訊號中提出一組「候選物體表面」，交給生成式模型補全整體形狀，再逐段修正表面，直到收斂出完整的 3D 重建。換句話說，物理感測負責梗概，生成模型負責補上缺口——Adib 把這個貢獻定位為「用 AI 終於解鎖無線視覺」。生成式補形在電腦視覺領域並不新鮮，新鮮的是把它接在無線訊號後面，並讓物理約束貫穿整條管線。
沒有大規模資料集，就自己模擬
生成模型需要大量訓練資料，但世界上不存在大規模的毫米波遮蔽物體資料集。團隊的變通作法：取用大型電腦視覺資料集，在其中嵌入模擬的鏡面反射與雜訊，把毫米波的反射物理直接「烙」進合成訓練資料。研究員 Maisy Lam 指出，若改為收集真實資料，得花上數年時間。這個做法本身值得借鑑：當感測資料稀缺時，把物理模型當成資料增強器，是繞過冷啟動問題的一條捷徑。
成效、配套系統與應用
在測試中，Wave-Former 對約 70 種日常物體（罐頭、盒子、餐具、水果）完成重建，遮蔽物涵蓋紙板、木板、乾牆、塑膠與布料，準確度較現有最佳基線提升近 20%。團隊同時發表配套系統 RISE：用單一靜態雷達加上人體移動產生的反射，把同一套思路擴展到整個房間的重建，精細度約為現有技術的兩倍。
應用面最直接的是機器人：一是可靠抓取視線外的物體，二是倉儲機器人在出貨前「隔箱驗貨」，確認箱內物品與訂單相符，減少退貨浪費。研究部分由美國國家科學基金會、MIT Media Lab 與 Amazon 資助。必須指出的另一面是：能看穿牆壁的感測能力天生自帶隱私爭議，論文沒有處理這一題，但任何實際部署都躲不掉。
參考來源
- Generative AI improves a wireless vision system that sees through obstructions — MIT News
- Wave-Former: Through-Occlusion 3D Reconstruction via Wireless Shape Completion — arXiv
- Generative AI improves vision system for robots to see through walls — Tomorrow’s World Today
本文由 AI 協助自上述來源整理，經人工審核後發布。