Ein Forschungsteam des Massachusetts Institute of Technology hat nach über einem Jahrzehnt der Erkundung eine Technik entwickelt, die Robotern ermöglicht, Hindernisse zu „durchschauen“ und versteckte Objekte zu lokalisieren. Die Methode nutzt drahtlose Signale, die Oberflächen durchdringen und an verborgenen Objekten reflektiert werden. Kürzlich führten die Wissenschaftler generative KI-Modelle ein, um einen entscheidenden Engpass zu lösen, der die Genauigkeit seit langem einschränkte.
Dieser innovative Ansatz rekonstruiert versteckte Ziele teilweise anhand der reflektierten Funksignale und vervollständigt die fehlenden Teile mit speziell trainierten generativen KI-Modellen, um so eine präzisere Form zu erzeugen. Dies könnte die Zuverlässigkeit von Robotern beim Greifen und Manipulieren verdeckter Objekte erhöhen. Darüber hinaus erweiterte das Team die Systemfunktionalität, indem es die Reflexionen von Funksignalen eines festen Radars an sich bewegenden Menschen nutzte, um Innenraumszenen inklusive aller Möbel präzise zu rekonstruieren.
Die Technik vermeidet die Notwendigkeit, drahtlose Sensoren an mobilen Robotern für die Umgebungserfassung zu installieren und schützt gleichzeitig die Privatsphäre von Personen besser als gängige Kameralösungen. Professor Fadel Adib erklärte: „Wir entwickeln generative KI-Modelle, um drahtlose Reflexionen zu verstehen. Das ist nicht nur ein Quantensprung in den Fähigkeiten – von der Lückenfüllung bis zur Interpretation von Reflexionen und der Rekonstruktion ganzer Szenen –, sondern eröffnet auch neue Wege, um mit KI drahtlose Bildgebung letztlich zu entschlüsseln.“
In der konkreten Umsetzung nutzt das Team Millimeterwellensignale, die Materialien wie Trockenbauwände oder Kunststoff durchdringen können. Die spiegelnde Reflexionseigenschaft von Millimeterwellen führt jedoch dazu, dass Signale nur in eine Richtung reflektiert werden, wodurch viele Bereiche eines Objekts für den Sensor nicht erfassbar sind. Daher erstellten die Forscher synthetische Daten zum Training der generativen KI-Modelle, indem sie große Datensätze aus der Computer Vision anpassten, um die Reflexionseigenschaften von Millimeterwellen zu simulieren.
Das daraus entwickelte Wave-Former-System kann etwa 70 alltägliche Objekte originalgetreu rekonstruieren und erreicht eine um fast 20 % höhere Genauigkeit als fortschrittliche Vergleichsbaselines. Gleichzeitig rekonstruiert das erweiterte RISE-System, das Mehrwege-Reflexionen (einschließlich „Geistersignalen“) nutzt, die durch menschliche Bewegung entstehen, einen ganzen Raum mit etwa doppelter Genauigkeit bestehender Techniken. Zukünftige Arbeiten werden sich darauf konzentrieren, die Rekonstruktionsdetails zu verbessern und große Basismodelle für drahtlose Signale zu erforschen.
Diese Fortschritte könnten Anwendung finden, etwa wenn Lagerhausroboter verpackte Artikel zur Reduzierung von Rücksendungen überprüfen oder intelligente Haushaltsroboter die Position von Personen verstehen, um die Interaktionssicherheit zu erhöhen. Das zugehörige Papier wurde auf dem arXiv-Preprint-Server veröffentlicht und wird auf der IEEE-Konferenz für Computer Vision und Mustererkennung offiziell vorgestellt.
Veröffentlichungsdetails: Autor: Adam Zewe, Massachusetts Institute of Technology; Titel: „Generative AI improves a wireless vision system that sees through obstructions“; erschienen in: „arXiv“ (2025).
