自动驾驶TPM技术杂谈 ———— RFID(Radio Frequency IDentification)技术

介绍

 马克·维瑟（Mark Weiser）在1991年提出的“Ubiquitous Computing”理念开始，人们一直致力于实现广泛的“人 - 机 - 物”互联，希望以最自然的方式提供服务，对泛在计算环境进行充分感知逐渐成为一项新兴技术，以其特有的感知机理和方法，逐渐成为泛在感知计算领域的核心支撑技术。射频识别（Radio Frequency IDentification）技术的出现为实现“可标记”的无源感知提供了新的基于。RFID系统基于反向散射机制来实现RFID阅读器与标签之间的通信。在反向散射过程中，阅读器天线发射的连续波信号呗RFID标签调制并反射，从而使阅读器有效地识别标签信号。
 一方面，RFID标签反向散射的信号非常微弱，极易受到各种环境因素的干扰，包括传输环境中的多径效应、干扰对象的能量吸收等。因此，表征传输环境因素的信息会天然地包含在RFID标签的反向散射信号中。基于这一特性，RFID技术的功能逐渐实现了由“识别”到“感知”的蜕变。
 另一方面，RFID的可标识特性能够有效区分反向散射信号的来源，从而保证了无源感知机制的“可标记性”。如下图所示，利用反向散射通信机制的环境敏感特性，RFID系统可给予标签反射信号中携带的环境因素的动态特征对指定对象进行感知。例如肢体行为识别、呼吸及心跳监测等。

问题挑战

 对于RFID系统基于反向散射通信的无源感知这种全新感知模型，其中感知机理和方法尚未明确。从感知环境中获取的射频信号所蕴含的各项感知特征（如信号强度、相位变化、多普勒频移等）与不同的感知状态（如空间位置、动作行为、生命体征等）之间的变化关系和敏感程度，还存在更多的探索空间。具体来说，无源感知主要存在以下问题：
  1. 跨域感知缺乏理论模型支持：目前缺少一套有效的理论感知模型，来客户多个感知域和射频信号在时间、空间、频率等信号域的潜在关联性，无法通过量化的方式来度量相关特征参量之间的梳理关系。
  2. 感知信号易受多种因素干扰：能量吸收、多径反射等真实复杂环境中的动态性、复杂性和不可控性干扰，会导致相关信号特征被淹没在周围的环境噪声和干扰中。
  3. 绑定/非绑定感知欠缺方法论指导：一个或多个RFID标签往往以接触或非接触方式来对感知对象实现”绑定式感知“或者”非绑定式感知“。对于绑定式感知或非绑定式感知的核心内容（主要是感知模型、部署结构、感知方法、协同方式等）缺乏成熟完善的方法来指导。

新机遇

 基于前面提到的问题，仅依靠单个RFID标签的方向散射信号特征很难对感知对象实现全面综合，深入透彻的无源感知，且无法消除环境因素的影响。在实际的研发过程中，多个RFID标签能够以接触或者非接触的方式有效部署在感知对象周围，形成"RFID阵列"进行感知。

 具体来看，RFID无源感知的新机遇包括以下：
   1. “单标签感知”到“标签阵列感知”：拓展维度
   前期无源感知往往使用较多的天线对“单标签”实现定位追踪等简单感知，但是单标签易受干扰，增加天线还会提高硬件成本和部署难度。基于“标签阵列”的无源感知机制能够在空间范畴对感知维度进行充分的拓展，通过合理设计多个标签的拓扑关系，可以将信号特征以“差分”的方法来消除外界环境因素对标签信号的整体干扰。
   2. “绝对定位”到“相对定位”：提升敏感度
   目前，绝大多数的RFID无源感知依赖于标签感知，传统的“绝对定位”方式需要给出标签在空间中的绝对坐标。因为存在环境因素，在真是环境下感知精度很难达到cm以下。而“相对定位”的方式可以关注RFID阵列中标签之间的相对位置关系，从而提升感知的敏感度。“相对定位”的结果对于单标签个体而言，可以更精确地判断标签之间的空间相对位置关系。
   3. “单一的RFID感知”到“基于RFID的多模态感知”：扩大范畴
   RFID 感知系统主要依赖于反向散射信号的变化特征来对物理环境中的对象进行感知，这种相对单一的感知方式难以综合、全面地刻画不同感知域的状态变化。因此，将RFID 和其他模态的感知进行融合实现多模态感知，能够从不同的感知范畴更全面地感知目标对象。此外，通过融合多模态信号，借助RFID可标记的特性，能够对不同模态的感知技术进行优势互补，消除感知的“盲区”，提升感知的鲁棒性。


 根据RFID 标签的一些固有特性， 在RFID 无源感知过程中，标签可以用绑定式的方式直接部署
在感知对象进行感知，或者以非绑定式的方式部署在感知对象周围来进行感知。因此，基于RFID 的
无源感知技术按感知方式可以分为绑定式感知、非绑定式感知和混合式感知。

基于RFID 的绑定式感知

 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。

基于标签信号物理模型

 此方法是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。

基于标签能量耦合变化

&emso;由于当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，从而衍生出了基于标签能量耦合变化的绑定式感知方法。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来对标签的空间方位角度进行推理和估算。

基于信号变化模式匹配

 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。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 的非绑定式感知

 虽然基于RFID 的绑定式感知通常能够实现精确的感知，但是在部分应用场景下，感知对象无法
时刻携带或者绑定RFID 标签，这时可以考虑采用非绑定式的方法来完成感知任务。基于RFID 的非绑定式感知是指以非接触的方式将RFID 标签部署在感知对象周围，当反向散射通信环境中感知对象状态发生变化时，通过探索和提取RFID 标签反射信号的特征，来推导环境中未绑定标签的感知对象的状态。根据感知原理的不同，非绑定式感知又可以分为以下三种感知方法：

基于标签电感耦合

 当两个标签距离较近时（如1~2 cm）会存在电感耦合现象，外界环境中感知对象的状态变化会进一步扰动标签之间的电感耦合，标签的信号强度、读取率等信号特征会随之产生变化，若合理运用这一特性，就能实现精确目标感知。例如，通过部署距离接近的双标签对，可以利用人体对双标签电
感耦合的影响，来判断环境中是否存在异常走动人员；利用双标签之间的相互作用对液体敏感的特性，来判断工业管道设备是否存在漏液情况。

基于反射信号模型

 在反向散射过程中，环境中的人体、墙壁等物体会反射射频信号形成多径效应，导致标签信号混杂环境变化特征，因此可以通过建立反射模型来关联信号变化与感知对象的状态变化。例如，通过部署一定规模的规则的标签阵列，可以感知人体肢体的位置变化或手势的轨迹 ；还可以进一步感知人体的睡姿变化，实现睡眠监测。

基于信号模式匹配

 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，难以建立精准的物理模型来进行描述时，我们可以基于深度学习方法构建数据驱动的模型，根据不同动作的信号变化规律，采用模式匹配的方式，关联感知状态（如用户动作）与标签阵列的信号特征（如相位变化趋势、移动速度、动作时间等），从而基于标签阵列的时空关联性来识别用户的动作和行为。

基于RFID 的混合式感知

 绑定式感知与非绑定式感知并非相互对立，两者各有优劣，如果能够根据特定的应用需求联合使用，势必能够起到优势互补、相辅相成的作用。基于RFID 的混合式感知融合了绑定与非绑定式感知的双重特点，既能对感知对象关联的标签信号（如与绑定对象位置相关联的信号特征）进行直接感知，又能利用感知对象对标签反射信号的影响（如与非绑定反射对象相关联的信号特征）感知状态变化。通过混合式感知的方式，进一步深入挖掘标签阵列中多标签感知信号的时空关联性，可实现感知结果的 “去粗存精”和“去伪存真”。