Исследователи лаборатории Auto-ID Labs Массачусетского технологического института (MIT) продемонстрировали метод распознавания и определения координат бесчиповых RFID-меток, расположенных близко друг к другу. Пространственное сканирование обратно рассеянного сигнала и классификатор с обучением формируют вероятностную карту типа и положения меток. При обработке фазы сигнала система правильно определила все метки, а средняя ошибка локализации составила 6,4 мм.
Зачем понадобилось пространственное сканирование
Бесчиповые RFID-метки подходят для задач, где стоимость идентификатора должна быть предельно низкой, например для массовой маркировки и сортировки материалов. Одновременное чтение нескольких таких меток остаётся сложной задачей. В обычных RFID-системах с микросхемой можно применять противоколлизионные механизмы наподобие slotted ALOHA, тогда как бесчиповый считыватель принимает суммарный отклик всех меток в поле зрения, и их спектральные сигнатуры накладываются друг на друга.
При сближении меток взаимная электромагнитная связь дополнительно меняет их спектральный и пространственный отклик. Это затрудняет разделение сигналов, распознавание меток и определение их координат.
Вместо анализа только отдельных спектральных откликов исследователи собирали данные об обратном рассеянии по двумерной области. Направленная антенна считывателя выполняла растровое 2D-сканирование и в каждой точке регистрировала амплитуду и фазу отражённого сигнала.
Мультиномиальный классификатор логистической регрессии оценивал для каждой точки вероятность соответствия одному из известных классов бесчиповых меток. Из этих вероятностей строились цветные пространственные карты, по которым можно было судить о типе и положении метки. Затем карты обрабатывали с помощью пороговой фильтрации, фильтрации контуров и кластеризации.
Эксперимент с тремя типами меток
В эксперименте использовались три типа меток на одиночном кольцевом резонаторе, отличавшиеся резонансной частотой в диапазоне 2–6 ГГц. В области сканирования размером 14 × 14 см размещали до двух меток. Растровые измерения проводили антенной Вивальди, подключённой к векторному анализатору цепей (VNA).
Исследователи собрали 94 набора данных: как для одиночных меток, так и для конфигураций с близко расположенными метками. Амплитуду и фазу записывали раздельно, чтобы сравнить их пригодность для классификации. Особое внимание уделили расстояниям менее 0,6λ, при которых прежние методы испытывали трудности из-за взаимной связи, а шаг между метками приближался к практическому пределу разрешения пассивных СВЧ-структур.
Обработка фазы дала точность идентификации 100%, амплитуды — 97,82%. Средняя евклидова ошибка определения положения составила соответственно 6,4 мм и 1,19 см. Таким образом, фазовый вариант обеспечил субсантиметровую локализацию даже при расстоянии между метками меньше ранее неразрешимого порога 0,6λ.
По результатам работы классификатор смог извлекать сведения из радиочастотных сигнатур, искажённых взаимной связью, которые трудно разделить обычными аналитическими методами. Возможность различать несколько соседних меток важна для сортировки, переработки материалов и недорогой маркировки активов, где требуется одновременно обрабатывать плотную группу идентификаторов.
Ограничения и дальнейшая работа
Пока систему проверили только в контролируемых лабораторных условиях. Для практического применения предстоит учесть влияние окружающей обстановки, отсутствие стандартизированных методик измерения и нехватку достаточно больших наборов данных бесчиповых RFID-меток.
Следующий этап исследований охватит более крупные и разнообразные группы меток, реалистичные условия работы, синтетические данные для обучения и более сложные методы машинного обучения, включая архитектуры на основе U-Net. Для увеличения площади сканирования и перехода к работе в реальном времени авторы также рассматривают фазированные антенные решётки.