Un nuevo sistema permite que un robot utilice señales de Wi-Fi reflejadas para identificar la forma de un objeto 3D que está oculto a la vista, lo que podría ser especialmente útil en la configuración de almacén y fábrica. Crédito: Instituto de Tecnología de Massachusetts
Una nueva técnica de imagen desarrollada por los investigadores del MIT podría permitir robots de control de calidad en un almacén para mirar a través de una caja de envío de cartón y ver que el mango de una taza enterrado bajo maní de embalaje está roto.
Su enfoque aprovecha las señales de onda milimétrica (MMWAVE), el mismo tipo de señales utilizadas en Wi-Fi, para crear reconstrucciones 3D precisas de objetos que se bloquean desde la vista.
Las olas pueden viajar a través de obstáculos comunes como contenedores de plástico o paredes interiores, y reflejar objetos ocultos. El sistema, llamado Mmnorm, recoge esas reflexiones y las alimenta en un algoritmo que estima la forma de la superficie del objeto.
Este nuevo enfoque alcanzó una precisión de reconstrucción del 96% en una variedad de objetos cotidianos con formas complejas y curvilíneas, como las cubiertas y un ejercicio eléctrico. Los métodos de referencia de última generación alcanzaron solo el 78% de precisión.
Además, MMNORM no requiere un ancho de banda adicional para lograr una precisión tan alta. Esta eficiencia podría permitir que el método se utilice en una amplia gama de entornos, desde fábricas hasta instalaciones de vida asistida.
Por ejemplo, MMNORM podría permitir que los robots que trabajen en una fábrica o hogar distinguen entre herramientas ocultas en un cajón e identificar sus manijas, por lo que podrían comprender y manipular de manera más eficiente los objetos sin causar daño.
Crédito: Instituto de Tecnología de Massachusetts
“We’ve been interested in this problem for quite a while, but we’ve been hitting a wall because past methods, while they were mathematically elegant, weren’t getting us where we needed to go. We needed to come up with a very different way of using these signals than what has been used for more than half a century to unlock new types of applications,” says Fadel Adib, associate professor in the Department of Electrical Engineering and Computer Science, director of the Signal Kinetics group in the MIT Media Laboratorio, y autor principal de un artículo sobre MMNORM.
ADIB se une al periódico por los asistentes de investigación Laura Dodds, la autora principal, y Tara Bororhaki, y el ex postdoc Kaichen Zhou. El investigación se presentó recientemente en la conferencia internacional anual sobre sistemas móviles, aplicaciones y servicios (ACM Mobisys 2025), celebrado en Anaheim del 23 al 27 de junio.
Reflexionando sobre reflexiones
Las técnicas de radar tradicionales envían señales de mmwave y reciben reflexiones del entorno para detectar objetos ocultos o distantes, una técnica llamada proyección de retroceso.
Este método funciona bien para objetos grandes, como un avión oscurecido por las nubes, pero la resolución de la imagen es demasiado gruesa para artículos pequeños como los dispositivos de cocina que un robot podría necesitar identificar.
Al estudiar este problema, los investigadores del MIT se dieron cuenta de que las técnicas existentes de proyección posterior ignoran una propiedad importante conocida como especularidad. Cuando un sistema de radar transmite MMWaves, casi todas las superficies, las ondas golpean, actúa como un espejo, generando reflexiones especulares.
Si se apunta a una superficie hacia la antena, la señal reflejará el objeto a la antena, pero si la superficie apunta en una dirección diferente, la reflexión se alejará del radar y no se recibirá.
“Confiando en la especularidad, nuestra idea es tratar de estimar no solo la ubicación de una reflexión en el medio ambiente, sino también la dirección de la superficie en ese punto”, dice Dodds.
Desarrollaron mmnorm para estimar lo que se llama superficie normal, que es la dirección de una superficie en un punto particular en el espacio, y usan estas estimaciones para reconstruir la curvatura de la superficie en ese punto.
Combinando estimaciones normales de la superficie en cada punto del espacio, MMNorm utiliza una formulación matemática especial para reconstruir el objeto 3D.
Los investigadores crearon un prototipo MMNORM al unir un radar a un brazo robótico, que continuamente toma medidas a medida que se mueve alrededor de un elemento oculto. El sistema compara la resistencia de las señales que recibe en diferentes lugares para estimar la curvatura de la superficie del objeto.
Por ejemplo, la antena recibirá los reflejos más fuertes de una superficie apuntando directamente a ella y señales más débiles de las superficies que no enfrentan directamente la antena.
Debido a que múltiples antenas en el radar reciben cierta cantidad de reflexión, cada antena “vota” en la dirección de la superficie normal en función de la resistencia de la señal que recibió.
“Algunas antenas podrían tener un voto muy fuerte, algunas podrían tener un voto muy débil, y podemos combinar todos los votos para producir una superficie normal que acuerde todas las ubicaciones de la antena”, dice Dodds.
Además, debido a que MMNorm estima la superficie normal desde todos los puntos en el espacio, genera muchas superficies posibles. Para concentrarse en el correcto, los investigadores tomaron prestadas técnicas de gráficos por computadora, creando una función 3D que elige la superficie más representativa de las señales recibidas. Usan esto para generar una reconstrucción 3D final.
Detalles más finos
El equipo probó la capacidad de MMNORM para reconstruir más de 60 objetos con formas complejas, como el mango y la curva de una taza. Generó reconstrucciones con aproximadamente un 40% menos de error que los enfoques de última generación, al tiempo que estimó la posición de un objeto con mayor precisión.
Su nueva técnica también puede distinguir entre múltiples objetos, como un tenedor, un cuchillo y una cuchara ocultas en la misma caja. También funcionó bien para objetos hechos de una variedad de materiales, incluidos madera, metal, plástico, caucho y vidrio, así como combinaciones de materiales, pero no funciona para objetos ocultos detrás de metal o paredes muy gruesas.
“Nuestros resultados cualitativos realmente hablan por sí mismos. Y la cantidad de mejora que ve hace que sea más fácil desarrollar aplicaciones que usen estas reconstrucciones 3D de alta resolución para nuevas tareas”, dice Bororohaki.
Por ejemplo, un robot puede distinguir entre múltiples herramientas en una caja, determinar la forma y la ubicación precisas del mango de un martillo, y luego planificarlo para recogerlo y usarlo para una tarea. También se podría usar MMNorm con un auricular de realidad aumentada, lo que permite a un trabajador de fábrica ver imágenes realistas de objetos totalmente ocluidos.
También podría incorporarse a las aplicaciones de seguridad y defensa existentes, generando reconstrucciones más precisas de objetos ocultos en los escáneres de seguridad del aeropuerto o durante el reconocimiento militar.
Los investigadores quieren explorar estas y otras aplicaciones potenciales en el trabajo futuro. También quieren mejorar la resolución de su técnica, aumentar su rendimiento para objetos menos reflectantes y permitir que las mmwaves se imaginen efectivamente a través de oclusiones más gruesas.
“Este trabajo realmente representa un cambio de paradigma en la forma en que estamos pensando en estas señales y este proceso de reconstrucción 3D. Estamos emocionados de ver cómo las ideas que hemos obtenido aquí pueden tener un amplio impacto”, dice Dodds.
Más información: Laura Dodds et al, reconstrucción de objetos 3D sin línea de visión a través de la estimación normal de la superficie de MMWAVE (2025). Doi: 10.1145/3711875.3729138. www.mit.edu/~fadel/papers/mmnorm-paper.pdf
Proporcionado por el Instituto de Tecnología de Massachusetts
Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre la investigación del MIT, la innovación y la enseñanza.
Cita: Las señales de Wi-Fi reflejadas podrían permitir a los robots encontrar y manipular objetos ocultos (2025, 1 de julio) Recuperado el 1 de julio de 2025 de https://techxplore.com/news/2025-07-wi-fi-enable-robots-hidden.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
