Учёные придумали точное «рентгеновское» зрение для роботов на базе технологии, родственной Wi-Fi

Исследователи из Массачусетского технологического института (MIT) разработали систему, которая позволит роботам обнаруживать предметы, скрытые от глаз. Благодаря этому роботы по контролю качества смогут, например, выявлять бракованные товары в упаковке, не вскрывая её.

Лучший процессор под DDR4 в 2026 году: AM4 против LGA 1700

Топ-10 смартфонов до 10 тысяч рублей (2026 год)

Сравнительный тест камер флагманских смартфонов (2026): итоги

Выбираем лучшие игровые ноутбуки на российском рынке (вторая половина 2026 года)

Обзор беззеркальной камеры Sony Alpha 7 V: эволюция с человеческим лицом

Компьютер месяца — август 2026 года

Снято в Голливуде? Почему Стэнли Кубрик физически не смог бы подделать лунную походку

Источник изображения: news.mit.edu

В основе технологии лежит использование радиоволн миллиметрового диапазона (mmWave) — тех же сигналов, что используются в Wi-Fi и 5G. Система анализирует отражение радиоволн от разных предметов для построения точных 3D-моделей объектов, которые находятся за пределами прямой видимости.

Система получила название mmNorm, а лежащие в её основе радиоволны могут проникать сквозь различные материалы, например, пластиковые контейнеры или картонные коробки, и отражаться от скрытых внутри объектов. Система собирает и анализирует полученную таким образом информацию для точного воссоздания скрытых объектов.

По данным исследователей, точность работы системы mmNorm достигает 96 % при воссоздании повседневных предметов со сложными изогнутыми формами, таких как столовые приборы, хозяйственные инструменты и др. Для сравнения, подобные технологии прежде позволяли добиться точности не более 78 %.

Важно и то, что новая технология не требует дополнительной полосы радиочастот для достижения такой высокой точности. За счёт высокого уровня эффективности технология может найти применение в самых разных областях — от заводов до домов престарелых. Например, mmNorm позволит роботам определять инструменты, лежащие в закрытом ящике. При этом робот сможет идентифицировать рукоятки инструментов для более эффективного их захвата и дальнейшего манипулирования.

«Мы давно работаем над решением этой проблемы, но постоянно упирались в стену, поскольку предыдущие методы при всей их математической элегантности не давали нужного результата. Нам пришлось придумать принципиально новый подход к обработке сигналов, отличающийся от всего, что использовалось последние 50 лет, чтобы открыть дорогу для нестандартного применения», — рассказал Фадель Адиб (Fadel Adib), доцент кафедры электротехники и информатики в MIT, один из авторов исследования.

Традиционные технологии радиолокации предполагают излучение волн миллиметрового диапазона и обработку данных об их отражении от окружающих объектов. Такой метод называется «обратная проекция» и он хорошо работает для формирования моделей крупных объектов, таких как скрытый облаками самолёт. При этом технология не слишком хорошо справляется с идентификацией небольших предметов, например, кухонной утвари.

В ходе исследования было установлено, что существующие методы игнорируют важную особенность. Речь идёт о зеркальности, когда практически каждая поверхность, на которую попадают излучаемые волны, действует как зеркало и создаёт отражения. Если поверхность направлена в сторону антенны, сигнал отразится от объекта и вернётся к антенне. Если же поверхность направлена в другую сторону, отражённый сигнал уйдёт в сторону и не будет принят приёмником.

При разработке mmNorm исследователи пытались сделать так, чтобы система оценивала не только положение сигнала в пространстве, но и ориентацию поверхности в этой точке. В процессе работы mmNorm вычисляет так называемую нормаль к поверхности, т.е. вектор, перпендикулярный к поверхности в заданной точке. Эти данные используются для воссоздания кривизны поверхности объекта в каждой точке. Комбинируя данные о нормалях поверхности во всех точках пространства, mmNorm задействует специальную математическую модель для воссоздания трёхмерной модели объекта.

Исследователи создали прототип mmNorm, подключив радар к роботизированному манипулятору, который постоянно проводит измерения за счёт перемещения вокруг скрытого объекта. В процессе анализа система сравнивает силу отражённых сигналов для оценки кривизны форм скрытого объекта. К примеру, антенна будет принимать наиболее сильные сигналы от поверхностей, расположенных к ней перпендикулярно, и более слабые сигналы от поверхностей, обращённых под разными углами.

Несколько антенн получают определённое количество сигналов, после обработки которых системе удаётся определить форму скрытого предмета. Отмечается также, что система оценивает нормаль к поверхности из всех точек пространства, за счёт чего в ходе анализа генерируется множество возможных поверхностей. Для выбора правильной исследователи задействовали уже существующие технологии компьютерной графики, которые также служат для формирования конечной 3D-модели объекта сканирования.

Систему mmNorm протестировали на 60 небольших предметах сложной формы, таких как керамическая кружка с изгибающейся ручкой. Тестирование показало, что погрешность восстановления формы у новой технологии на 40 % ниже по сравнению с уже существующими аналогами, а точность определения позиции объектов в пространстве выше. Алгоритм может отличать друг от друга, лежащие внутри одной коробки, ложку, вилку, нож и др. Система хорошо справляется с построением моделей предметов, изготовленных из дерева, металла, пластика, резины и стекла. При этом она не подходит для сканирования предметов, скрытых за металлическими перегородками или толстыми стенами.