Wissenschaftler des renommierten Massachusetts Institute of Technology (MIT) haben eine revolutionäre Bildgebungstechnologie entwickelt, die das Potenzial hat, die Art und Weise, wie wir die physische Welt um uns herum wahrnehmen, grundlegend zu verändern. Ihr innovatives System, genannt mmNorm, ermöglicht die präzise dreidimensionale Rekonstruktion von Objekten, die hinter Hindernissen wie Pappkartons, Kunststoffbehältern oder sogar Innenwänden verborgen sind. Diese Fähigkeit, die an den Röntgenblick aus der Science-Fiction erinnert, öffnet die Tür zu unglaublichen Anwendungen in der Robotik, Qualitätskontrolle, Sicherheit und erweiterten Realität.

Eine Revolution im Sehen des Unsichtbaren

Stellen Sie sich einen Roboter in einem Lagerhaus vor, der in ein versiegeltes Paket „hineinschauen“ und vor dem Öffnen feststellen kann, ob der zerbrechliche Inhalt, wie eine Keramiktasse, während des Transports beschädigt wurde. Genau ein solches Szenario wird dank eines neuen Ansatzes möglich, der Millimeterwellen (mmWave) verwendet. Es handelt sich um dieselbe Art von Signal, die auch in einigen fortschrittlichen Wi-Fi-Systemen verwendet wird und deren Hauptmerkmal die Fähigkeit ist, gängige Materialien zu durchdringen, die für das menschliche Auge und optische Kameras undurchsichtig sind. Das Forschungsteam des MIT in Cambridge, Massachusetts, hat eine Methode entwickelt, die nicht nur verborgene Objekte erkennt, sondern auch deren vollständige 3D-Form mit außergewöhnlicher Präzision rekonstruiert.

Das mmNorm-System sammelt reflektierte Millimeterwellen und leitet sie an einen hochentwickelten Algorithmus weiter, der aus diesen Daten die genaue Oberflächengeometrie des verborgenen Objekts schätzt. In Tests, die an einer breiten Palette von Alltagsgegenständen mit komplexen, gekrümmten Formen – von Besteck bis hin zu einer elektrischen Bohrmaschine – durchgeführt wurden, erreichte die neue Technik eine Rekonstruktionsgenauigkeit von 96 Prozent. Zum Vergleich: Die fortschrittlichsten bestehenden Methoden erreichten unter denselben Bedingungen nur 78 Prozent Genauigkeit, was auf einen enormen Leistungssprung hindeutet.

Überwindung der Grenzen des traditionellen Radars

Klassische Radartechniken, die seit Jahrzehnten zur Erkennung von entfernten oder verdeckten Objekten wie Flugzeugen in Wolken eingesetzt werden, basieren auf einer Methode, die als Rückprojektion bekannt ist. Obwohl sie für große Objekte effektiv ist, ist die Auflösung einer solchen Bildgebung zu grob, um die feinen Details kleinerer Gegenstände zu erkennen, was für Anwendungen in der modernen Robotik entscheidend ist. Fadel Adib, außerordentlicher Professor am Fachbereich Elektrotechnik und Informatik und Leiter der Signal-Kinetik-Gruppe im MIT Media Lab, betont, dass bisherige Methoden an ihre Grenzen gestoßen seien. „Es war notwendig, eine völlig andere Art der Nutzung dieser Signale zu entwickeln, um neue Anwendungsarten zu erschließen“, erklärt Adib, der die Forschung zusammen mit Laura Dodds, Tara Boroushaki und Kaicheng Zhou leitete.

Das Team am MIT erkannte, dass bestehende Techniken eine entscheidende Eigenschaft, die als Spekularität bekannt ist, ignorieren. Wenn Millimeterwellen auf eine Oberfläche treffen, verhält sie sich fast wie ein Spiegel und erzeugt spiegelnde (spekulare) Reflexionen. Wenn ein Teil der Oberfläche auf die Radarantenne ausgerichtet ist, wird das Signal zurückgeworfen und empfangen. Ist die Oberfläche jedoch gedreht, wird die Reflexion in eine andere Richtung gelenkt und geht für den Sensor verloren. „Indem wir uns auf die Spekularität stützen, ist unsere Idee, nicht nur den Ort der Reflexion in der Umgebung zu schätzen, sondern auch die Ausrichtung der Oberfläche an diesem Punkt“, erläutert Laura Dodds, die Hauptautorin der Studie.

Wie funktioniert mmNorm?

Im Herzen der mmNorm-Technologie liegt die Fähigkeit, die sogenannte „Oberflächennormale“ zu schätzen, die im Wesentlichen ein Vektor ist, der die Richtung der Oberfläche an einem bestimmten Punkt im Raum anzeigt. Durch die Kombination der Schätzungen der Normalen von allen Punkten, von denen das Signal reflektiert wurde, verwendet das System eine fortschrittliche mathematische Formulierung, um die gesamte 3D-Form des Objekts zu rekonstruieren.

Der Prototyp des Systems besteht aus einem Radar, das an einem Roboterarm befestigt ist. Während sich der Arm um den Raum bewegt, in dem sich das verborgene Objekt befindet, führt der Radar kontinuierlich Messungen durch. Das System vergleicht die Stärke der an verschiedenen Positionen empfangenen Signale, um die Krümmung der Oberfläche zu schätzen. Zum Beispiel empfängt die Antenne die stärkste Reflexion von dem Teil der Oberfläche, der direkt auf sie gerichtet ist, und schwächere Signale von den Teilen, die abgewinkelt sind. Da sich auf dem Radar mehrere Antennen befinden, „stimmt“ jede von ihnen über die Richtung der Oberflächennormale ab, basierend auf der Stärke des empfangenen Signals. „Einige Antennen haben vielleicht eine sehr starke Stimme, andere eine sehr schwache, und wir kombinieren alle Stimmen, um eine einzige Oberflächennormale zu erhalten, über die sich alle Antennenstandorte einig sind“, fügt Dodds hinzu. Dieser Prozess führt zu einer Punktwolke mit zugehörigen Normalen, aus der mithilfe von Techniken aus der Computergrafik eine endgültige, detaillierte 3D-Rekonstruktion generiert wird.

Breites Anwendungsspektrum und Zukunftspotenzial

Neben einem deutlich geringeren Rekonstruktionsfehler (etwa 40 Prozent weniger als bei bestehenden Ansätzen) kann mmNorm auch präzise zwischen mehreren gemeinsam verborgenen Objekten unterscheiden, wie z. B. einer Gabel, einem Messer und einem Löffel in derselben Schachtel. Die Technologie hat sich bei Objekten aus verschiedenen Materialien, einschließlich Holz, Metall, Kunststoff, Gummi und Glas, als wirksam erwiesen. Die einzige derzeitige Einschränkung sind Objekte, die hinter dicken Metallbarrieren oder sehr dicken Wänden verborgen sind.

Die potenziellen Anwendungen sind riesig und vielfältig:

• Industrie und Logistik: Mit dieser Technologie ausgestattete Roboter können Werkzeuge in einer Kiste unterscheiden, die Form und Position eines Hammerstiels präzise bestimmen und ihn sicher aufheben. In Lagerhäusern kann eine automatisierte Qualitätskontrolle ohne Öffnen der Verpackungen durchgeführt werden.


• Erweiterte Realität (AR): Ein Fabrikarbeiter oder ein Bauarbeiter könnte eine AR-Brille verwenden, die ihm in Echtzeit originalgetreue Bilder von vollständig verdeckten Objekten wie Rohren oder elektrischen Leitungen in einer Wand anzeigt, bevor er mit dem Bohren beginnt.


• Sicherheit und Verteidigung: Die Technologie könnte in bestehende Sicherheitsanwendungen wie Flughafenscanner integriert werden, um präzisere Rekonstruktionen von verborgenen Gegenständen zu ermöglichen. Sie hat auch Potenzial in der militärischen Aufklärung.


• Hilfe im Haushalt: In Zukunft könnte sie in Systemen zur Unterstützung älterer Menschen eingesetzt werden, um beim Auffinden häufig verlorener Gegenstände zu helfen.

Tara Boroushaki, eine der Forscherinnen, betont, dass die qualitativen Ergebnisse für sich sprechen und dass „die Verbesserung die Entwicklung von Anwendungen erleichtert, die diese hochauflösenden 3D-Rekonstruktionen für neue Aufgaben nutzen“. Das Team plant, weiter an der Verbesserung der Auflösung, der Steigerung der Effizienz bei schwächer reflektierenden Objekten und der Ermöglichung der Bildgebung durch noch dickere Hindernisse zu arbeiten. „Diese Arbeit stellt wirklich einen Paradigmenwechsel in der Art und Weise dar, wie wir über diese Signale und den Prozess der 3D-Rekonstruktion denken“, schließt Dodds und deutet auf eine aufregende Zukunft hin, in der die unsichtbare Welt sichtbar wird.

Quelle: Massachusetts Institute of Technology