这种电波能穿透塑料容器或内墙等常见障碍物，并在隐藏物体表面形成反射，能够对视线受阻的物体进行精确的三维重建。 其特性结合低成本商用毫米波雷达催生了诸多应用：分拣机器人可利用非视距重建技术定位和操作杂乱环境或密闭箱体中的隐藏物体；增强现实（AR）设备能借此感知被遮挡物体并可视化呈现；智能家居设备则可实现非视距手势识别，即使用户不在视线范围内也能执行无接触指令；雷达毫米波信号可以有效探测被云层遮挡的飞机。 近日，麻省理工学院（MIT）的研究人员开发了一种名为mmNorm的突破性成像技术，该方法利用毫米波信号实现物体精确 3D 重建，在超过 110 次真实世界实验中评估了超过 60 种不同的日常对象，并与最先进的基准线进行了比较，达到了 96％ 的重建精度。该研究获得了美国国家科学基金会、MIT 媒体实验室及微软的联合资助。 研究初期，MIT 研究人员意识到，现有的重建技术忽略了一个重要的特性——镜面反射。当毫米波雷达发射信号时，几乎所有被照射的表面都会像镜子一样产生镜面反射：只有当表面正对天线时，信号才会反射回雷达接收器；若表面朝向其他方向，反射波将偏离雷达无法被接收。 mmNorm 凭借其精妙的算法，能够解析这些镜面反射：通过精确分析信号反射的角度、时间差和细微变化，从而推断出物体表面每个点的朝向。这种对反射信号的精密解析，使 mmNorm 能估算“表面法向量”（描述表面朝向的专业术语）。当积累足够多的表面法向量后，就能像拼图般重建出物体精细的 3D 模型。 具体而言，研究团队将雷达安装在机械臂上，创建了一个 mmNorm 原型，机械臂围绕隐藏物体移动时持续采集测量数据。系统通过比较不同位置接收到的信号强度来估算物体表面曲率——例如天线会接收到正对表面的最强反射，而其他朝向的表面反射信号较弱。由于雷达的多个天线都会接收不同程度的反射信号，每个天线会根据接收信号强度对表面法向量方向进行“投票”。 “某些天线的投票权重很高，有些则很低，我们可以整合所有投票结果得出共识性的表面法向量，”麻省理工学院研究助理、该论文的主要作者 Laura Dodds 表示。 此外，由于 mmNorm 需要从空间所有点估算表面法向量，会产生大量可能的表面。为锁定正确结果，研究人员借鉴计算机图形学技术，构建三维函数筛选最能代表接收信号的表面，最终生成高精度三维重建模型。 在这项研究中，研究团队对 mmNorm 进行了超过 60 种复杂形状物体（如带手柄的马克杯）的重建测试。对一系列具有复杂弯曲形状的日常物品（例如银器和电钻）的重建准确率达到了 96%，而最先进的基准方法的准确率仅为 78%。 这项新技术还能区分同一箱体内的多个物体（如隐藏的刀叉勺组合），并对木材、金属、塑料、橡胶、玻璃等多种材质（包括复合材料）的物体均表现优异。不过，该系统尚无法穿透金属或过厚墙体进行成像。 这种精度提升将极大拓展高分辨率三维重建在新任务中的应用场景。例如机器人可精准识别工具箱中不同工具，确定锤柄的精确形状与位置后执行抓取任务；结合 AR 头显技术，工厂工人能透视查看被完全遮挡物体的逼真图像；在安检扫描或军事侦察中，该系统还能提升隐蔽物体的重建精度。 未来，研究人员将着重探索以下方向：提升低反射率物体的成像性能、增强穿透更厚障碍物的能力，以及持续优化分辨率。正如 Dodds 指出：“这项研究彻底改变了我们对毫米波信号及三维重建过程的认知范式。我们期待这些突破性见解能产生更广泛的影响。”
