摘要： MIT Media Lab 團隊的 Wave-Former 發出 Wi-Fi 頻段毫米波，穿透紙箱、木板與石膏板後，用生成式 AI 補全被遮擋物品的 3D 外形。MIT News 於 3 月 19 日介紹這項獲 CVPR 2026 接收的研究，稱約 70 種日常物體的重建準確度比最佳基線高近 20%。這對機器人抓取與倉儲驗貨有實際意義，但穿牆感測也帶來論文未處理的隱私問題。
MIT News 在 3 月 19 日介紹了 Media Lab 研究團隊的最新成果 Wave-Former：這套系統主動發出 Wi-Fi 所在頻段的毫米波無線訊號，讓它穿透紙箱、木板與石膏板，抵達完全被擋住的物品並反射回來，隨後由生成式 AI 將量測結果補成完整的 3D 外形。計畫由 Fadel Adib 領軍——他是 MIT EECS 副教授，並主持 Media Lab 的 Signal Kinetics 組；論文《Wave-Former: Through-Occlusion 3D Reconstruction via Wireless Shape Completion》已獲 CVPR 2026 接收。在約 70 種日常物品上驗證時，重建準確度比目前最好的方法高出近 20%。
對機器人與倉儲自動化而言，這是關鍵的一大步：只要感測器沒看到，機械手臂便無從下手——這道長年限制首度獲得系統性的破解，而且靠的只是現有硬體本來就發得出的無線訊號。
Wave-Former 針對的難題
「無線視覺」的物理基礎在於：毫米波能穿透乾牆、塑膠與紙板，撞上被遮住的物品後，把反射帶回感測器。只是這條路始終有道老障礙——毫米波的反射屬於鏡面式，能量只會朝單一方向彈開。研究員 Laura Dodds 用比喻說明：感測器往往只「看見」物品的頂面，側邊與底部近乎一片空白。Adib 團隊先前的方法以物理方式解讀反射訊號，重建準確度的天花板便一直卡在這個環節。
以生成式補形對付鏡面反射
Wave-Former 選擇讓物理感測與生成式模型協作：反射訊號先被轉成一組「候選物體表面」，生成式模型接手補出整體形狀，表面再經過一次又一次修整，最終收斂為完整的 3D 重建。白話地說，梗概出自物理感測，缺口交給生成模型——Adib 將這項貢獻定位為「用 AI 終於解鎖無線視覺」。把生成式補形用在電腦視覺上早有先例；它的新意出現在與無線訊號結合，以及物理約束貫串整條管線的設計。
訓練資料哪裡來：自己合成
訓練生成式模型離不開大量資料，偏偏大規模的毫米波遮蔽物體資料集並不存在。團隊於是繞道而行：以既有的大型電腦視覺資料集為底，植入模擬產生的鏡面反射與雜訊，讓合成訓練資料本身「烙」著毫米波的反射物理。研究員 Maisy Lam 說明，改走真實資料收集的路，耗時要以年計。這個手法本身就值得參考：感測資料稀缺時，讓物理模型扮演資料增強器，正是閃過冷啟動問題的一條捷徑。
測試結果、配套系統 RISE 與應用
實測裡，罐頭、盒子、餐具、水果等約 70 種日常物體都成功完成重建，過程中使用的遮蔽物橫跨紙板、木板、乾牆、塑膠與布料，準確度比現有最佳基線高出近 20%。團隊還一併公開了配套系統 RISE：僅憑一台固定雷達，搭配人體走動時產生的反射，就能將同一套思路延伸到整間房間的重建，精細度約達現有技術的兩倍。
最先受惠的應用落在機器人上：其一是穩定抓取視線之外的物體；其二是倉儲機器人在出貨前「隔箱驗貨」，核對箱內物品與訂單是否一致，以減少退貨衍生的浪費。這項研究獲得美國國家科學基金會、MIT Media Lab 與 Amazon 的資助。另一面也不能不提：具備穿牆能力的感測技術，先天就牽動隱私爭議；論文本身未處理這個問題，但實際部署時誰都繞不開。