Os pesquisadores do MIT desenvolveram uma nova t\u00e9cnica que utiliza sinais sem fio para enxergar objetos escondidos por tr\u00e1s de obst\u00e1culos. A abordagem combina modelos de IA generativa com reflex\u00f5es de sinais mmWave para reconstruir formas de itens ocultos com maior precis\u00e3o.<\/p>\n
O objetivo \u00e9 permitir que rob\u00f4s identifiquem e manipulem objetos invis\u00edveis a olho nu, al\u00e9m de entender ambientes internos de forma mais confi\u00e1vel. Ao reconstruir parcialmente o objeto e preencher lacunas com IA, o m\u00e9todo supera limita\u00e7\u00f5es de abordagens anteriores.<\/p>\n
As pesquisas, lideradas pelo grupo Signal Kinetics do MIT Media Lab, buscam aplicar esse recurso a cen\u00e1rios pr\u00e1cticos, como verifica\u00e7\u00e3o de itens em armaz\u00e9ns e melhoria da intera\u00e7\u00e3o entre pessoas e rob\u00f4s dom\u00e9sticos, preservando a privacidade.<\/p>\n
O sistema Wave-Former constr\u00f3i uma reconstru\u00e7\u00e3o de objetos ocultos a partir de reflex\u00f5es de sinais mmWave. Em seguida, a IA generativa completa as partes ausentes da forma, refinando o conjunto at\u00e9 chegar ao modelo final.<\/p>\n
Em testes, o Wave-Former gerou reconstru\u00e7\u00f5es fi\u00e9is de cerca de 70 objetos comuns, como latas, caixas e utens\u00edlios, com ganho de precis\u00e3o pr\u00f3ximo a 20% em rela\u00e7\u00e3o a refer\u00eancias. Os objetos ficaram ocultos atr\u00e1s de materiais como papel\u00e3o e madeira.<\/p>\n
Para treinar a IA, os pesquisadores usaram datasets ampliados, simulando propriedades das reflex\u00f5es mmWave. A estrat\u00e9gia contorna a limita\u00e7\u00e3o de n\u00e3o possuir grandes bases de dados espec\u00edficas para mmWave.<\/p>\n
O conjunto completo, chamado Wave-Former, recebe superf\u00edcies prov\u00e1veis, passa pela IA para completar o formato e ajusta as superf\u00edcies at\u00e9 a reconstru\u00e7\u00e3o ficar integral. A equipe destaca a viabilidade de aplica\u00e7\u00f5es pr\u00e1ticas.<\/p>\n
A equipe expandiu o sistema para reconstruir cen\u00e1rios inteiros, incluindo m\u00f3veis, usando reflex\u00f5es de mmWave provocadas pela movimenta\u00e7\u00e3o humana. Movimentos geram reflex\u00f5es multipasso que formam sinais fantasmas.<\/p>\n
Esses sinais, normalmente descartados, cont\u00eam informa\u00e7\u00f5es sobre a disposi\u00e7\u00e3o do ambiente. A IA aprende a interpretar as reflex\u00f5es degradadas e, a partir delas, completa a cena com maior resolu\u00e7\u00e3o.<\/p>\n
O sistema, denominado RISE, foi testado com mais de 100 trajet\u00f3rias humanas capturadas por um \u00fanico radar mmWave. Em m\u00e9dia, as reconstru\u00e7\u00f5es ficaram aproximadamente duas vezes mais precisas que t\u00e9cnicas existentes.<\/p>\n
Os pesquisadores pretendem aprimorar a granularidade e o detalhamento das reconstru\u00e7\u00f5es, al\u00e9m de desenvolver modelos de base para sinais sem fio, semelhantes a GPT, Claude ou Gemini para linguagem e vis\u00e3o. O objetivo \u00e9 abrir novas aplica\u00e7\u00f5es em rob\u00f3tica e vis\u00e3o sem fio.<\/p>\n
O trabalho, apresentado em confer\u00eancia de vis\u00e3o computacional e reconhecimento de padr\u00f5es, envolve colabora\u00e7\u00e3o entre Laura Dodds, Kaichen Zhou e demais assistentes de pesquisa. O estudo foi apoiado pela NSF, pelo MIT Media Lab e pela Amazon.<\/p>\n","protected":false},"excerpt":{"rendered":"