Investigadores desarrollan un sistema que usa señales Wi-Fi para reconstruir formas 3D de objetos bloqueados de la vista
Investigadores del MIT han desarrollado una técnica de imagen revolucionaria que podría permitir a los robots de control de calidad en un almacén mirar a través de una caja de cartón y detectar que el mango de una taza enterrada bajo material de embalaje está roto.
Su enfoque aprovecha las señales mmWave (ondas milimétricas), el mismo tipo de señales utilizadas en Wi-Fi, para crear reconstrucciones 3D precisas de objetos que están bloqueados de la vista.
Cómo funciona la tecnología mmNorm
Las ondas pueden atravesar obstáculos comunes como contenedores de plástico o paredes interiores, y rebotar en objetos ocultos. El sistema, llamado mmNorm, recolecta esas reflexiones y las alimenta a un algoritmo que estima la forma de la superficie del objeto.
Este nuevo enfoque logró un 96% de precisión en la reconstrucción de una gama de objetos cotidianos con formas complejas y curvas, como cubiertos y un taladro eléctrico. Los métodos de referencia más avanzados alcanzaron solo un 78% de precisión.
Ventajas del sistema
Además, mmNorm no requiere ancho de banda adicional para lograr tan alta precisión. Esta eficiencia podría permitir que el método se utilice en una amplia gama de configuraciones, desde fábricas hasta centros de vida asistida.
Por ejemplo, mmNorm podría permitir que los robots trabajando en una fábrica o hogar distingan entre herramientas ocultas en un cajón e identifiquen sus mangos, para que puedan agarrar y manipular los objetos de manera más eficiente sin causar daños.
El problema con las técnicas tradicionales
Las técnicas de radar tradicionales envían señales mmWave y reciben reflexiones del entorno para detectar objetos ocultos o distantes, una técnica llamada back projection.
Este método funciona bien para objetos grandes, como un avión oscurecido por las nubes, pero la resolución de imagen es demasiado tosca para elementos pequeños como utensilios de cocina que un robot podría necesitar identificar.
Al estudiar este problema, los investigadores del MIT se dieron cuenta de que las técnicas de back projection existentes ignoran una propiedad importante conocida como especularidad.
La innovación: aprovechando la especularidad
Cuando un sistema de radar transmite mmWaves, casi cada superficie que golpean las ondas actúa como un espejo, generando reflexiones especulares.
«Basándonos en la especularidad, nuestra idea es tratar de estimar no solo la ubicación de una reflexión en el entorno, sino también la dirección de la superficie en ese punto», explica Laura Dodds, autora principal del estudio.
Desarrollaron mmNorm para estimar lo que se llama una normal de superficie, que es la dirección de una superficie en un punto particular en el espacio, y usar estas estimaciones para reconstruir la curvatura de la superficie en ese punto.
Funcionamiento del prototipo
Los investigadores crearon un prototipo de mmNorm adjuntando un radar a un brazo robótico, que toma medidas continuamente mientras se mueve alrededor de un elemento oculto. El sistema compara la fuerza de las señales que recibe en diferentes ubicaciones para estimar la curvatura de la superficie del objeto.
Debido a que múltiples antenas en el radar reciben cierta cantidad de reflexión, cada antena «vota» sobre la dirección de la normal de superficie basándose en la fuerza de la señal que recibió.
Resultados impresionantes
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 40% menos error que los enfoques más avanzados, mientras también estimaba la posición de un objeto de manera más precisa.
Su nueva técnica también puede distinguir entre múltiples objetos, como un tenedor, cuchillo y cuchara ocultos en la misma caja. También funcionó bien para objetos hechos de una gama de materiales, incluyendo madera, metal, plástico, goma y vidrio, así como combinaciones de materiales.
Sin embargo, no funciona para objetos ocultos detrás de metal o paredes muy gruesas.
Aplicaciones futuras
Un robot puede distinguir entre múltiples herramientas en una caja, determinar la forma y ubicación precisas del mango de un martillo, y luego planificar recogerlo y usarlo para una tarea.
También se podría usar mmNorm con un headset de realidad aumentada, permitiendo a un trabajador de fábrica ver imágenes realistas de objetos completamente ocultos.
También podría incorporarse en aplicaciones de seguridad y defensa existentes, generando reconstrucciones más precisas de objetos ocultos en escáneres de seguridad aeroportuaria o durante reconocimiento militar.
Perspectivas de desarrollo
Los investigadores quieren explorar estas y otras aplicaciones potenciales en trabajos futuros. También quieren mejorar la resolución de su técnica, aumentar su rendimiento para objetos menos reflectivos, y permitir que las mmWaves puedan crear imágenes efectivamente a través de oclusiones más gruesas.
«Este trabajo realmente representa un cambio de paradigma en la forma en que pensamos sobre estas señales y este proceso de reconstrucción 3D. Estamos emocionados de ver cómo los insights que hemos obtenido aquí pueden tener un impacto amplio», dice Dodds.
