前言：

目前各位老铁们对“rfid具体应用实例”大概比较着重，大家都需要知道一些“rfid具体应用实例”的相关内容。那么小编也在网上收集了一些有关“rfid具体应用实例””的相关资讯，希望咱们能喜欢，同学们一起来了解一下吧！

区别于传统的无线感知技术，RFID技术的核心特点在于RFID标签是无源设备，非常轻便且易部署。因此，可以将RFID标签直接部署和绑定在感知对象上，根据感知对象在移动等状态变化过程中对应的标签信号特征变化，来对对象状态变化进行感知和推理，我们称这种感知方式为基于RFID的绑定式感知。该方式具有较高的准确度和鲁棒性。根据感知原理的不同，绑定式感知又可以进一步分为基于标签信号物理模型、基于标签能量耦合变化和基于信号变化模式匹配的三种感知方法。

RFID技术原理示意图

对于基于标签信号物理模型的绑定式感知方法，可以根据信号的传播特点构建基于信号特征的物理模型来实现感知，如基于相位的三维几何模型、基于信号强度的信号传播模型等。特定物理模型能够为标签的反射信号特征和感知对象的相关状态之间提供一种映射关系。例如，当在感知对象上部署标签阵列后，可以基于标签的相位变化和标签之间已有的拓扑关系构建2D或3D的物理模型，由此进一步分解出目标位移、旋转角度与多标签相位变化的对应关系。因此，当获取到相关标签的信号特征变化，就能基于标签信号对应的物理模型推理出感知对象的运动状态变化。

当RFID标签以绑定式部署到感知对象上时，一些环境因素（如人体对信号的多径反射）会对RFID信号特征带来明显的干扰，这容易使得基于标签信号物理模型的感知方法精度下降。基于标签能量耦合变化的绑定式感知方法能够有效地应对上述问题。研究人员发现，在RFID系统的扫描过程中，相对于环境中的干扰和噪声，阅读器天线与标签天线的极化方向差异会导致明显的标签能量耦合变化。我们可以进一步通过改变天线的极化方向，基于标签反向散射信号的特征（包括信号强度、相位等）来对标签的空间方位角度进行推理和估算。例如，为获取被绑定目标在空间中的方位和角度，我们可以让天线“旋转”起来，通过旋转的线性极化天线持续扫描单个标签或者标签阵列，实时追踪三维空间下目标物体的位置变化和角度变化。

在真实环境下，当感知对象的状态变化和RFID信号特征之间的关系过于复杂，难以建立统一的模型进行描述时，往往需要采用数据驱动的方式，引入机器学习的一些算法来完成感知任务，实现基于信号变化模式匹配的感知方法。在这种情况下，可以使用一些深度学习工具，例如生成对抗网络（GAN），通过对抗学习实现用户无关、环境无关的状态感知机制；又如卷积神经网络（CNN）与长短期记忆网络（LSTM）结合的方式，首先将信号特征以二维、三维、甚至多维的方式进行成像，然后基于相应的时序关系完成分类、回归等推理过程，实现行为识别、目标追踪等感知功能。

基于RFID的肢体行为追踪系统：当前基于计算机视觉技术的动作捕捉系统（如微软Kinect）已经能够有效支持基于人体肢体行为的人机交互与动作行为识别，但仍存在受光线遮挡影响、视觉处理计算复杂度高等缺陷。考虑到基于RFID的绑定式感知能够以可穿戴的方式穿戴到人体上，下图是一套基于RFID的肢体行为追踪系统RF-Kinect，该系统利用肢体上部署的RFID标签阵列的信号相位对肢体动作进行感知。为消除人体对信号的多径反射带来的干扰，RF-Kinect系统采用“相对定位”的思路对标签的相位信号进行特征抽取，实现对三维肢体角度的估算及校准。RF-Kinect以人体的肢体关节作为节点对肢体进行划分，在每一段肢体上分别绑定两个RFID标签，使用两个正对人体的天线对这些标签进行扫描。首先，RF-Kinect利用同一肢体上的多个标签之间的相位差对肢体发生的旋转角度进行初步估算，之后进一步利用同一标签在不同天线上的相位差，使用AOA（AngleofArrival，入射角）模型估算其到达角，对之前估算的三维肢体角进行细化，符合约束条件的肢体姿势将被保留。RF-Kinect进一步使用基于相对距离关系的肢体角度过滤方法计算骨骼之间的相对距离关系，去除异常角度，并且将搜索空间大大减少。最后，将独立的姿势联合起来，以此身体姿势序列来识别肢体的运动行为。总体来说，RF-Kinect基于柔性可穿戴标签构建了一套基于非刚体拓扑结构的物理模型，并基于“相对定位”的思路来推理拓扑结构的位置变化，由此实现对肢体动作行为的追踪。

基于RFID的肢体行为追踪系统

基于RFID的手势微动作感知系统：当前的人机交互方式已从键盘、触摸板输入等方式转变为隔空手势交互的新型模式。用户可以使用肢体甚至手指进行体感交互，操纵显示屏或者空中的虚拟对象，更加自然地支持虚拟现实和增强现实相关应用。同样，区别于现有的基于计算机视觉的解决方案，下图是一套基于RFID的多指微动作感知系统RF-Glove，实现对1~2cm精度的“微动作手势”的精确感知。RF-Glove将无源标签分别附着在手套的五个手指上，使用RFID天线对多个标签进行持续扫描采集反向散射信号特征（如信号强度、相位等）。考虑到多个手指在执行“微动作”过程中信号特征变化与手势的关系相对比较复杂，RF-Glove基于信号变化模式匹配的方式进行感知，当用户戴着手套执行“微动作”手势时，RFID阅读器能获得一系列相位/信号强度值曲线。对于每种类型的多指“微动作”，RF-Glove通过主成分分析学习动作的信号变化，获取到一组n×5大小的特征曲线轮廓（n为天线数）。给定一个多指“微动作”的输入，RF-Glove将该动作对应的相位轮廓集与每种类型的多指“微动作”模板进行比较，匹配最相似的“微动作”指令。

基于RFID的手势微动作感知系统

标签： #rfid具体应用实例