作者 | 涂承燁

審校 | 重樓

使用基于RSSI和PDOA的CNN無源RFID標簽定位技術(shù)

1.零售店之貨物盤點

夜幕降臨，城市的霓虹燈漸漸亮起，一家位于繁華商圈的零售店內(nèi)卻異常安靜。店內(nèi)的燈光柔和而明亮，照亮了整個空間，將每一寸貨架、每一排商品都映照得清晰可見?？諝庵袕浡那鍧崉┑南阄叮c店外喧囂的都市氣息形成鮮明對比。

此刻，零售店的員工們正忙碌地進行著盤點工作。他們身穿統(tǒng)一的制服，手持掃描槍，在貨架間穿梭。每當掃描槍發(fā)出“嘀”的一聲，商品的信息便迅速被錄入系統(tǒng)，貨架上的庫存量也隨之更新。整個盤點過程嚴謹而有序，每一位員工都全神貫注，確保數(shù)據(jù)的準確性。

在貨架的盡頭，店長正站在一臺電腦前，注視著屏幕上的數(shù)據(jù)變化。他的眼神專注而堅定，仿佛在審視著整個店鋪的運營狀況。他的手中不時地翻閱著記錄本，對每一個細節(jié)都嚴格把控。他的身邊，幾位助手正忙碌地整理著資料，為店長的決策提供有力支持。

隨著盤點工作的深入進行，店鋪內(nèi)的氛圍也愈發(fā)緊張。但在這份緊張中，卻透露出一絲有條不紊的秩序感。員工們之間的默契配合、店長的精準指揮，都讓這個看似繁瑣的盤點過程變得高效而流暢。

當最后一件商品被掃描完畢，店內(nèi)的燈光逐漸暗下。店外，天漸漸亮了，一絲魚肚白悄然出現(xiàn)在東方的天際。這是新的一天開始的信號，也是新的挑戰(zhàn)的一天的到來。

什么時候月度盤點不再需通宵達旦，這是不是奢想呢？

圖1

2.快速盤點不再是奢想

對于每個貨位/貨架，如何做到又快、又準的盤點呢？

基于RSSI和相位值的CNN無源RFID標簽定位技術(shù)，可以做到！

首先了解以下兩個概念：

2.1 RSSI的概念

RSSI（Received Signal Strength Indication），即接收信號強度指示，是無線發(fā)送層的可選部分，用來判定鏈接質(zhì)量，以及是否增大廣播發(fā)送強度。

在實際使用中，RSSI是負值的。因為無線信號多為mW級別，所以對它進行了極化，轉(zhuǎn)化為dBm，不表示信號是負的。1mW等于0dBm，小于1mW表示負數(shù)的dBm。

dBm值最大為0，表示接收方把發(fā)射方發(fā)射的所有無線信號都接收到了，即無線路由器發(fā)射多少功率，接收的無線網(wǎng)卡就獲得多少功率。當然這是理想狀態(tài)的測量值。

RSSI通過接收到的信號強弱來測定信號點與接收點的距離，進而根據(jù)相應數(shù)據(jù)進行定位計算。

2.2 PDOA的概念

PDOA（Phase-Difference-of-Arrival），常規(guī)叫法是信號到達相位差PDOA測距算法，或者說接收信號相位差PDOA定位算法，也是一種室內(nèi)定位算法，通過測量相位差求出信號往返的傳播時間來計算往返距離。

了解了上面這兩個基本概念，那如何應用到RFID標簽的快速、準確盤點中呢？

2.3 兩個實驗數(shù)據(jù)

經(jīng)過實驗，可知：

1、RFID標簽到RFID掃描槍之間的距離越小，得到的標簽RSSI越大。所以，當RFID掃描槍垂直經(jīng)過標簽時，距離最短，此時標簽應有最大RSSI值。對應地，連續(xù)掃描過程中RSSI值最大的時刻，標簽恰好到達與天線垂直的位置。某大學的實驗數(shù)值，如圖2所示：

圖2

在RFID掃描槍由遠及近再遠離的移動過程中，距離先減后增，所以相位值也先減后增，在垂直點處有最小值，整體呈V型。因此，根據(jù)標簽相位到達最小值的順序就能夠判斷標簽之間的相對位置關(guān)系。某大學的實驗數(shù)值，如圖3所示：

圖3

因此，通過對某個RFID標簽的RSSI和相位值進行判斷。RSSI值越大，同時相位值越小，可判定標簽可能所處的貨位區(qū)域。

2.4 輕量級的RFID標簽盤點方案

1、在貨位/貨架的某個位置，粘貼上普通的條碼標簽，作為參考標簽。

2、手持RFID掃描槍啟動條碼掃描，掃描貨架上的標簽條碼，RSSI記為0dBm。貨架標簽條碼格式如（根據(jù)實際場景定義）：T-A1-2，統(tǒng)一為6個字符，且第2、5個字符為“-”。

3、一旦掃描到合法的貨架條碼標簽，則程序自動進入“啟動RFID識別”狀態(tài)，開始接收識別到的標簽EPC、RSSI、相位的數(shù)據(jù)，并進行第一層AI計算（粗篩）。

4、EPC號的前16位為商品SKU，在盤點過程中，新識別到的EPC號會被分門別類的放入不同的商品的SKU對應的EPC號列表中。為更好地指導現(xiàn)場盤點，在RFID盤點過程中，掃描槍屏幕上實時顯示當前手持機面對的該品類商品識別到的總數(shù)。

5、盤點過程中可以隨時選擇保存當前盤點結(jié)果。輸出的EXCEL表格，如圖4所示：

圖4

6、得到粗篩結(jié)果后，會進一步在后臺跑CNN算法，計算出每個標簽所在的位置。

7、為了方便后續(xù)的貨架定位的校驗，會在后臺進一步整理數(shù)據(jù)，形成以下格式的報表：

圖5

此方案的盤點率，經(jīng)零售百貨類門店實驗，貨架準確率可達95%以上，總盤準確率達100%。

3.CNN算法概述

一種基于深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）的被動RFID標簽定位方法，利用接收信號強度指示（RSSI）和到達相位差（PDOA）的聯(lián)合網(wǎng)絡(luò)打印特征。首先，從RFID閱讀器的接收信號中提取RSSI和PDOA數(shù)據(jù)。然后，設(shè)計一個具有三個卷積層和池化層的CNN，將歸一化的RSSI和PDOA數(shù)據(jù)形成圖像作為輸入，以訓練目標階段的權(quán)值。

在線階段，收集測試標簽的RSSI和PDOA數(shù)據(jù)，然后根據(jù)設(shè)計的CNN來預測未知標簽的位置。在仿真過程中，將該方法與陸地算法、加權(quán)k最近鄰（WKNN）和深度神經(jīng)網(wǎng)絡(luò)（DNN）等方案進行了精度比較，分析了不同網(wǎng)絡(luò)指紋數(shù)據(jù)集和噪聲方差對定位精度的影響。實驗結(jié)果表明，該方法在復雜的室內(nèi)環(huán)境中具有較高的定位精度和穩(wěn)定性，且優(yōu)于現(xiàn)有的其他方案。

3.1 定位系統(tǒng)體系結(jié)構(gòu)

基于CNN的RFID定位系統(tǒng)架構(gòu)，如圖6所示：

圖6

在此設(shè)計中，由8個RFID閱讀器收集N個參考標簽的原始RSSI和PDOA數(shù)據(jù)，并將原始RSSI和PDOA數(shù)據(jù)歸一化，形成訓練集S。

利用卷積神經(jīng)網(wǎng)絡(luò)對N個參考標簽的訓練集信息進行深度學習，然后利用BP算法，通過比較輸出向量與目標向量的誤差，對CNN的網(wǎng)絡(luò)參數(shù)進行優(yōu)化。在線測試階段，收集測試標簽的RSSI和PDOA數(shù)據(jù)，生成測試集，并通過CNN獲得概率分布矩陣以實現(xiàn)定位。

基于CNN的方法，監(jiān)督學習分別用于提取指紋數(shù)據(jù)庫和在線指紋數(shù)據(jù)的特征。由于CNN對每組數(shù)據(jù)都有很好的擬合能力，因此根據(jù)所設(shè)計的CNN的特點確定標簽位置坐標。與之前的方案相比，基于CNN的方法具有以下優(yōu)點：

• 它具有優(yōu)越的二維數(shù)據(jù)處理和學習能力，可以實現(xiàn)更高的定位精度。
• 每一層的參數(shù)都是共享的，因此訓練時間比DNN和DBN等其他神經(jīng)網(wǎng)絡(luò)方法短。
• 在指紋數(shù)據(jù)集的收集中，參考標簽可以重復使用，這節(jié)省了定位系統(tǒng)的成本，有助于資源的回收利用。

3.2 離線訓練

CNN是一種具有權(quán)重共享網(wǎng)絡(luò)結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)。它更類似于生物神經(jīng)網(wǎng)絡(luò)，有助于減少權(quán)重和網(wǎng)絡(luò)模型的復雜性。當網(wǎng)絡(luò)輸入是多維圖像時，這一優(yōu)勢更加明顯。因此，圖像可以直接用作網(wǎng)絡(luò)的輸入，避免了傳統(tǒng)識別算法中復雜的特征提取和數(shù)據(jù)重建過程。
作為一種專門為識別二維形狀而設(shè)計的多層感知，CNN的網(wǎng)絡(luò)結(jié)構(gòu)對平移和尺度具有高度不變性。它的結(jié)構(gòu)由卷積層、池化層和全連接層組成。使用設(shè)計的CNN模型的訓練過程和參數(shù)，如圖7所示：

圖7

卷積層的操作，如圖8所示：

圖8

通過構(gòu)建大小為32×32的RSSI和PDOA數(shù)據(jù)圖像。CNN在卷積和池化層中處理圖像很方便。對于第一卷積和池化層中的每個輸入圖像，我們使用大小為5×5的32個卷積核來獲得大小為28×28的相同數(shù)量的特征圖，這些特征圖可以提取不同的特征。

為了解決梯度耗散和加速收斂問題，在卷積層和池化層之間添加了ReLU函數(shù)。為了減少訓練數(shù)據(jù)并保證特征圖的不變性，通過將大小為2×2的特征圖池化，可以獲得大小為14×14的相同數(shù)量的特征圖。然后，通過實現(xiàn)另外兩個卷積和池化層，如圖8所示，我們獲得了第三池化層的輸出特征圖，并將其用作全連接層的輸入。

最后，我們使用公式從全連接層的輸出中獲得大小為1×N的概率分布向量，然后組合訓練數(shù)據(jù)的標簽，這可以用于基于BP算法的損失函數(shù)更新卷積核和偏差等訓練權(quán)重。

3.3 位置估計

在線測試階段，我們收集測試標簽的RSSI/PDOA數(shù)據(jù)來生成測試圖像。將測試圖像作為CNN的輸入，得到概率分布P。我們收集圖像的每個測試標簽，并得到一個概率分布矩陣P。為了高精度地估計標簽位置，我們提出一種貪婪的方法來選擇K個最大概率，并結(jié)合貼現(xiàn)因子來計算這些P的加權(quán)平均值，然后合并P的位置對應的參考標簽作為測試標簽的估計位置。

4.技術(shù)方案前景

隨著應用次數(shù)的增多，CNN算法的運算，基于RSSI和相位的CNN無源RFID標簽定位技術(shù)的準確率必將越來越好，前景非常廣闊。

1、定位精度提高

通過利用CNN強大的數(shù)據(jù)處理能力，可以對RSSI和相位信息進行深度學習和特征提取，從而更準確地估計RFID標簽與讀寫器之間的距離。

2、算法性能優(yōu)化

 CNN的引入可以加速定位算法的計算速度，減少計算資源消耗，提高系統(tǒng)的實時性和響應速度，使其適應不同的環(huán)境和應用場景。

3、應用范圍拓展

精確的無源RFID標簽定位技術(shù)可以廣泛應用于倉儲管理、圖書管理等領(lǐng)域。例如，圖書館書籍錯放的情況常有發(fā)生，對于圖書管理是一個重要挑戰(zhàn)。如果每本書籍都粘貼具有唯一ID的標簽，那么通過RFID掃描槍的掃描獲取各標簽的相位數(shù)據(jù)，分析各標簽的數(shù)值，就可以快速識別是否有書本錯放。

但也面臨著一些挑戰(zhàn)，如環(huán)境噪聲、信號干擾、多徑效應等問題。因此，需要進一步加強技術(shù)研究和創(chuàng)新，優(yōu)化算法設(shè)計和實現(xiàn)方式，提高系統(tǒng)的穩(wěn)定性和可靠性，為物聯(lián)網(wǎng)的業(yè)務應用場景構(gòu)建提供強大的技術(shù)支持。

參考文獻：Deep Convolutional Neural Network for Passive RFID Tag Localization Via Joint RSSI and PDOA Fingerprint Features

作者介紹

涂承燁，51CTO社區(qū)編輯，省政府采購專家、省綜合性評標專家、公 E 采招標采購專家，獲得信息系統(tǒng)項目管理師、信息系統(tǒng)監(jiān)理師、PMP，CSPM-2等認證，擁有15年以上的開發(fā)、項目管理、咨詢設(shè)計等經(jīng)驗。對項目管理、前后端開發(fā)、微服務、架構(gòu)設(shè)計、物聯(lián)網(wǎng)、大數(shù)據(jù)、咨詢設(shè)計等較為關(guān)注。