中阁补算将学會通沁第17卷第2期2021年2月 从“识别”到“感知”： 基于RFID的可标记无源感知 谢磊王楚豫卜艳玲等 关键词：无源感知RFD 南京大学 可标记无源感知 射的连续波信号被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 从马克·维瑟(Mark Weiser)在1991年提出反向散射的信号非常微弱，极易受到各种环境因素 “Ubiquitous Computing'”(普适计算)理念开始，人的干扰，包括传输环境中的多径效应、干扰对象的 们就一直致力于实现广泛的“人一机~物”互联，能量吸收等。因此，表征传输环境因素的信息会天 希望以最自然的方式提供服务，对泛在计算环境进 然地包含在RFID标签的反向散射信号中。基于这 行充分感知逐渐成为一项基本诉求。无源感知作为一特性，RFID技术的功能逐渐实现了由“识别” 近年来的一项新兴技术，以其特有的感知机理和方到“感知”的蜕变。另一方面，RFID的可标识特 法，逐渐成为泛在感知计算领域的核心支撑技术。性能够有效区分反向散射信号的来源，从而保证了 与传统的有源感知相比，无源感知主要依赖于从环无源感知机制的“可标记性”。如图1所示，利用 境中获取的能量完成计算、感知与通信，无需电源反向散射通信机制的环境敏感特性，RFID系统可 对终端节点持续供电，因此，它在续航、部署、维以基于标签反射信号中携带的环境因素的动态特征 护等方面拥有传统有源感知无法匹及的潜在优势。 对指定对象进行感知，例如肢体行为识别、呼吸及 然而，当前大多数无源感知技术是基于未标记的反 心跳监测等。 射信号进行感知山)，无法区分多个 反射信号的具体来源，因此，无法 反向散射信号 对同时存在的多个感知对象进行有 效区分，导致应用范畴受到限制。 RFID 示签 射频识别(Radio Frequency IDentification,RFID)技术的出现 RFID 为实现“可标记”的无源感知提 阅读器 供了新的机遇。RFID系统基于反 向散射(backscatter)机制来实现 连续波 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 图1基于RFD的可标记无源感知技术 19
19 第 17 卷 第 2 期 2021 年 2 月 从“识别”到“感知”： 基于 RFID 的可标记无源感知 关键词 ：无源感知 RFID 谢 磊 王楚豫 卜艳玲 等 南京大学 可标记无源感知 从马克·维瑟（Mark Weiser）在 1991 年提出 “Ubiquitous Computing”（普适计算）理念开始，人 们就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基本诉求。无源感知作为 近年来的一项新兴技术，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。 与传统的有源感知相比，无源感知主要依赖于从环 境中获取的能量完成计算、感知与通信，无需电源 对终端节点持续供电，因此，它在续航、部署、维 护等方面拥有传统有源感知无法匹及的潜在优势。 然而，当前大多数无源感知技术是基于未标记的反 射信号进行感知 [1, 2]，无法区分多个 反射信号的具体来源，因此，无法 对同时存在的多个感知对象进行有 效区分，导致应用范畴受到限制。 射 频 识 别（Radio Frequency IDentification，RFID）技术的出现 为实现“可标记”的无源感知提 供了新的机遇。RFID 系统基于反 向散射（backscatter）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 射的连续波信号被 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”。如图 1 所示，利用 反向散射通信机制的环境敏感特性，RFID 系统可 以基于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。 图 1 基于 RFID 的可标记无源感知技术 反向散射信号 RFID 阅读器 连续波 RFID 标签
专题中喝动算接学會通认第17卷第2期2021年2月 问题与挑战 RFID无源感知的新机遇 凭借着与生俱来的“识别基因”和反向散射特 鉴于上述挑战性问题，仅依靠单个RFID标签 性赋予的“感知能力”，RFID的出现为可标记无源 的反向散射信号特征很难对感知对象实现全面、综 感知提供了新的可能性。但事实上，对于RFD系合、深入透彻的无源感知，并且无法消除环境噪声 统基于反向散射通信的无源感知这种全新感知模 带来的干扰。我们通过研究发现，在RFID系统实 式，其中的感知机理和方法都尚未明确。从感知环 现无源感知的过程中，多个RFID标签能够以接触 境中获取的射频信号所蕴含的各项感知特征（如信或者非接触的方式有效部署在感知对象周围，形成 号强度、相位变化、多普勒频移等)与不同的感知“RFID阵列”进行感知。基于RFID可标记的特性， 状态（如空间位置、动作行为、生命体征等）之间我们能够有效地区分“RFID阵列”中每一个反向 的变化关系和敏感程度，还有待进一步探索。具体 散射信号的来源；进一步，根据“RFID阵列”中 来说，基于RFID的无源感知主要存在以下亟待解 标签之间的拓扑关系和来自每个标签的信号特征， 决的挑战性问题： 我们有机会基于多个RFID信号源构成的感知阵列 1.跨域感知缺乏理论模型支持：RFID系统利构建“RFID雷达”，对接收到的感知信号进行“去 用反向散射信号在信号域的特征来对其他感知域的 伪存真”和“去粗存精”，充分还原感知对象状态 状态进行推理，实现跨域感知。然而，目前还缺乏 变化的真相和细节，来实现全面、综合、深入透彻 一套有效的理论感知模型，来刻画多个感知域和射 的可标记无源感知。 频信号在时间、空间、频率等信号域的潜在关联性， 具体来说，RFID无源感知的新机遇包括以下 无法通过量化的方式来度量相关特征参量之间的数三个方面（如图2所示）： 理关系，因此无法有效指导跨域感知。 1.从“单标签感知”到“标签阵列感知”：拓 2.感知信号易受多种因素干扰：面向真实复杂 展感知维度 环境中普遍存在的动态性、复杂性和不可控性，从 早期的RFID无源感知技术往往使用较多的天 无源感知FID系统中获取的射频感知信号容易受线对“单标签”实现定位追踪等简单感知，但是单 到环境中多种因素的干扰，如能量吸收、多径反射标签信号易受干扰，增加天线数量还将大幅提高硬 等，导致相关信号特征被湮没在周围的环境噪声和件成本和部署复杂度。基于“标签阵列”的感知 干扰中，直接影响无源感知系统的感知性能，这对机制能够在空间范畴对感知维度进行充分的拓展， 提升无源感知机制的泛化能力提出了挑战。 通过合理设计多个标签的拓扑关系，可以将信号特 3.绑定/非绑定感知欠缺方法论指导：在征以“差分”的方法来消除外界环境因素对标签信 RFID无源感知过程中，一个或多个RFD标签往往号的整体性干扰41，对抗动态环境变化带来的影响， 以接触或者非接触的方式来对感知对象实现“绑定提高感知信号的稳定性和可靠性。在此基础上，可 式感知”或者“非绑定式感知”。然而，对于绑定以进一步利用空间范畴上多维度的感知数据对感知 式感知和非绑定式感知的核心内容如感知模型、部对象进行全面、透彻的感知。 署结构、感知方法、协同方式等，仍然缺乏一套成 2.从“绝对定位”到“相对定位”：提升感知 熟完善的方法论来进行指导。 敏感度 综上所述，如何在面向不同感知环境及不同感 当前绝大多数的RFID无源感知依赖于对标签 知对象的条件下确保RFD感知机制的“泛化能力”， 位置的感知，传统的“绝对定位”方式需要给出标 提升实际的感知性能，已经成为当前无源感知领域 签在空间中的绝对坐标，但受到环境因素（如多 的重要科学问题。 径反射)的影响，在真实复杂环境下感知精度很难 20
20 专题 第 17 卷 第 2 期 2021 年 2 月 问题与挑战 凭借着与生俱来的“识别基因”和反向散射特 性赋予的“感知能力”，RFID 的出现为可标记无源 感知提供了新的可能性。但事实上，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 式，其中的感知机理和方法都尚未明确。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，还有待进一步探索。具体 来说，基于 RFID 的无源感知主要存在以下亟待解 决的挑战性问题 ： 1. 跨域感知缺乏理论模型支持 ：RFID 系统利 用反向散射信号在信号域的特征来对其他感知域的 状态进行推理，实现跨域感知。然而，目前还缺乏 一套有效的理论感知模型，来刻画多个感知域和射 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数 理关系，因此无法有效指导跨域感知。 2. 感知信号易受多种因素干扰 ：面向真实复杂 环境中普遍存在的动态性、复杂性和不可控性，从 无源感知 RFID 系统中获取的射频感知信号容易受 到环境中多种因素的干扰，如能量吸收、多径反射 等，导致相关信号特征被湮没在周围的环境噪声和 干扰中，直接影响无源感知系统的感知性能，这对 提升无源感知机制的泛化能力提出了挑战。 3. 绑定／非绑定感知欠缺方法论指导：在 RFID 无源感知过程中，一个或多个 RFID 标签往往 以接触或者非接触的方式来对感知对象实现“绑定 式感知”或者“非绑定式感知”。然而，对于绑定 式感知和非绑定式感知的核心内容如感知模型、部 署结构、感知方法、协同方式等，仍然缺乏一套成 熟完善的方法论来进行指导。 综上所述，如何在面向不同感知环境及不同感 知对象的条件下确保 RFID 感知机制的“泛化能力”， 提升实际的感知性能，已经成为当前无源感知领域 的重要科学问题。 RFID 无源感知的新机遇 鉴于上述挑战性问题，仅依靠单个 RFID 标签 的反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，并且无法消除环境噪声 带来的干扰。我们通过研究发现，在 RFID 系统实 现无源感知的过程中，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。基于 RFID 可标记的特性， 我们能够有效地区分“RFID 阵列”中每一个反向 散射信号的来源 ；进一步，根据“RFID 阵列”中 标签之间的拓扑关系和来自每个标签的信号特征， 我们有机会基于多个 RFID 信号源构成的感知阵列 构建“RFID 雷达”，对接收到的感知信号进行“去 伪存真”和“去粗存精”，充分还原感知对象状态 变化的真相和细节，来实现全面、综合、深入透彻 的可标记无源感知。 具体来说，RFID 无源感知的新机遇包括以下 三个方面（如图 2 所示）： 1. 从“单标签感知”到“标签阵列感知”：拓 展感知维度 早期的 RFID 无源感知技术往往使用较多的天 线对“单标签”实现定位追踪等简单感知，但是单 标签信号易受干扰，增加天线数量还将大幅提高硬 件成本和部署复杂度 [3]。基于“标签阵列”的感知 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 号的整体性干扰[4~8]，对抗动态环境变化带来的影响， 提高感知信号的稳定性和可靠性。在此基础上，可 以进一步利用空间范畴上多维度的感知数据对感知 对象进行全面、透彻的感知。 2. 从“绝对定位”到“相对定位”：提升感知 敏感度 当前绝大多数的 RFID 无源感知依赖于对标签 位置的感知，传统的“绝对定位”方式需要给出标 签在空间中的绝对坐标 [9]，但受到环境因素（如多 径反射）的影响，在真实复杂环境下感知精度很难
中阁计算将学會通流第17卷第2期2021年2月 术进行优势互补，消除感 知的“盲区”，提升感知的 示 鲁棒性。当前基于RFID 从“单标签感知” 到“标签裤列感知” 多模态感知主要以结合计 算机视觉技术四为主，而 拓展感知维度 与其他感知模态)的融合 仍有较大的拓展空间。 滑动G 根据RFID标签的一 些固有特性（比如柔性标 从“绝对定位” RFID 反射 到“相对定位” 标签 信号 签可以轻便地部署到指定 自由空 提升感知威感度 间信号 RFID 对象或穿戴到人体上，并 RFID 大统 天线 以一定的规模和拓扑结构 进行部署)，在RFID无 源感知过程中，标签可以 用绑定式的方式直接部署 从“单一RFID感知 到“多模态感知 在感知对象进行感知，或 者以非绑定式的方式部署 扩大感知范畴 RFID RFID 在感知对象周围来进行感 RFID Kinec 天线 标签 知。因此，基于RFID的 无源感知技术按感知方式 图2RFD无源感知的新机遇 可以分为绑定式感知、非 达到厘米级以下。而“相对定位”的方式可以关注 绑定式感知和混合式感知。 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。基于“相对定位”的结果，对于单 基于RFD的绑定式感知 标签个体而言，能够更精确地判定标签之间在空间 上的相对位置关系川：而对于标签阵列而言，通 区别于传统的无线感知技术，RFID技术的核 过对比和分析标签之间的相对位置以及既有的拓扑 心特点在于RFID标签是无源设备，非常轻便且易 结构4，能够更加敏感地捕捉到标签阵列的变化， 部署。因此，可以将RFID标签直接部署和绑定在 从而提高对感知对象的感知灵敏度。 感知对象上，根据感知对象在移动等状态变化过程 3.从“单一的RFID感知”到“基于RFID的 中对应的标签信号特征变化，来对对象状态变化进 多模态感知”：扩大感知范畴 行感知和推理，我们称这种感知方式为基于RFID RFID感知系统主要依赖于反向散射信号的变 的绑定式感知。该方式具有较高的准确度和鲁棒性。 化特征来对物理环境中的对象进行感知，这种相对 根据感知原理的不同，绑定式感知又可以进一步分 单一的感知方式难以综合、全面地刻画不同感知域为基于标签信号物理模型、基于标签能量耦合变化 的状态变化。因此，将RFID和其他模态的感知进 和基于信号变化模式匹配的三种感知方法。 行融合实现多模态感知，能够从不同的感知范畴更 对于基于标签信号物理模型的绑定式感知方 全面地感知目标对象。此外，通过融合多模态信号， 法，我们可以根据信号的传播特点构建基于信号特 借助RFID可标记的特性，能够对不同模态的感知技 征的物理模型来实现感知，如基于相位的三维几何 21
21 第 17 卷 第 2 期 2021 年 2 月 达到厘米级以下。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。基于“相对定位”的结果，对于单 标签个体而言，能够更精确地判定标签之间在空间 上的相对位置关系 [10, 11] ；而对于标签阵列而言，通 过对比和分析标签之间的相对位置以及既有的拓扑 结构 [4~8]，能够更加敏感地捕捉到标签阵列的变化， 从而提高对感知对象的感知灵敏度。 3. 从“单一的 RFID 感知”到“基于 RFID 的 多模态感知”：扩大感知范畴 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。当前基于 RFID 多模态感知主要以结合计 算机视觉技术 [12] 为主，而 与其他感知模态 [13] 的融合 仍有较大的拓展空间。 根据 RFID 标签的一 些固有特性（比如柔性标 签可以轻便地部署到指定 对象或穿戴到人体上，并 以一定的规模和拓扑结构 进行部署），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。 对于基于标签信号物理模型的绑定式感知方 法，我们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 图 2 RFID 无源感知的新机遇 RFID 标签 RFID 标签 RFID 标签 RFID 天线 标签 1 标签 2 标签 3标签 4 标签 5 RFID 天线 RFID 标签 自由空 间信号 滑动 反射 信号 RFID 天线 RFID Kinect 从“单标签感知” 到“标签阵列感知” 拓展感知维度 从“绝对定位” 到“相对定位” 提升感知敏感度 从“单一 RFID 感知” 到“多模态感知” 扩大感知范畴
专题中喝补算袭学含通沁第17卷第2期2021年2月 模型、基于信号强度的信号传播模型等。特定物理 现基于信号变化模式匹配的感知方法。在这种情况 模型能够为标签的反射信号特征和感知对象的相关下，可以使用一些深度学习工具，例如生成对抗网 状态之间提供一种映射关系。例如，当在感知对象络(GAN),通过对抗学习实现用户无关、环境无 上部署标签阵列后，可以基于标签的相位变化和标关的状态感知机制；又如卷积神经网络(CNN) 签之间已有的拓扑关系构建2D或3D的物理模型， 与长短期记忆网络(LSTM)结合的方式，首先将 由此进一步分解出目标位移、旋转角度与多标签相 信号特征以二维、三维、甚至多维的方式进行成像， 位变化的对应关系5-。因此，当获取到相关标签 然后基于相应的时序关系完成分类、回归等推理过 的信号特征变化，就能基于标签信号对应的物理模 程，实现行为识别、目标追踪等感知功能。 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， 典型案例 些环境因素（如人体对信号的多径反射）会对 下文以笔者研究团队近年来的一些相关成果为 RFID信号特征带来明显的干扰，这容易使得基于 例，介绍一些基于RFD绑定式感知的典型案例。 标签信号物理模型的感知方法精度下降。基于标签 基于RFID的肢体行为追踪系统：当前基于计 能量耦合变化的绑定式感知方法能够有效地应对上 算机视觉技术的动作捕捉系统（如微软Kinect)已 述问题。研究人员发现，在RFID系统的扫描过程中， 经能够有效支持基于人体肢体行为的人机交互与动 相对于环境中的干扰和噪声，阅读器天线与标签天 作行为识别，但仍存在受光线遮挡影响、视觉处理 线的极化方向差异会导致明显的标签能量耦合变计算复杂度高等缺陷。考虑到基于RFID的绑定式 化。我们可以进一步通过改变天线的极化方向，基 感知能够以可穿戴的方式穿戴到人体上，笔者研 于标签反向散射信号的特征（包括信号强度、相位 究团队研发了一套基于RFID的肢体行为追踪系统 等)来对标签的空间方位角度进行推理和估算。例RF-Kinect!,该系统利用肢体上部署的RFID标签 如，为获取被绑定目标在空间中的方位和角度，我阵列的信号相位对肢体动作进行感知。为消除人体 们可以让天线“旋转”起来，通过旋转的线性极化对信号的多径反射带来的干扰，RF-Kinect系统采用 天线持续扫描单个标签或者标签阵列，实时追踪三 “相对定位”的思路对标签的相位信号进行特征抽 维空间下目标物体的位置变化和角度变化。 取，实现对三维肢体角度的估算及校准。如图3所示， 在真实环境下，当感知对象的状态变化和RF-Kinect以人体的肢体关节作为节点对肢体进行划 RFID信号特征之间的关系过于复杂，难以建立统分，在每一段肢体上分别绑定两个RFID标签，使 一的模型进行描述时，往往需要采用数据驱动的方用两个正对人体的天线对这些标签进行扫描。首先， 式，引入机器学习的一些算法来完成感知任务，实RF-Kinect利用同一肢体上的多个标签之间的相位 150 RFID 100 RFID 9)Z 0一用户留 -RF-Kinect远动踪 一K灯nect远动泊踪 0 -50 60 0 RFHD天 500 Y(cm) X(cm) 图3基于RFD的肢体行为追踪系统 22
22 专题 第 17 卷 第 2 期 2021 年 2 月 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 [5~8]。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 [7, 14]。 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 [15] ；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 [16]。 典型案例 下文以笔者研究团队近年来的一些相关成果为 例，介绍一些基于 RFID 绑定式感知的典型案例。 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，笔者研 究团队研发了一套基于 RFID 的肢体行为追踪系统 RF-Kinect[6]，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。如图3所示， 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 图 3 基于 RFID 的肢体行为追踪系统 RFID 标签 RFID 天线 RFID 阅读器 用户骨骼 RF-Kinect 运动追踪 Kinect 运动追踪
中阁补算将学會通沁第17卷第2期2021年2月 差对肢体发生的旋转角度进行初步估算，之后进一 对比较复杂，RF-Glove基于信号变化模式匹配的方 步利用同一标签在不同天线上的相位差，使用AOA式进行感知，当用户戴着手套执行“微动作”手势时， (Angle of Arrival,入射角)模型估算其到达角，对 RFID阅读器能获得一系列相位/信号强度值曲线。 之前估算的三维肢体角进行细化，符合约束条件的 对于每种类型的多指“微动作”，RF-Glove通过主 肢体姿势将被保留。RF-Kinect进一步使用基于相对成分分析学习动作的信号变化，获取到一组n×5大 距离关系的肢体角度过滤方法计算骨骼之间的相对小的特征曲线轮廓（为天线数）。给定一个多指“微 距离关系，去除异常角度，并且将搜索空间大大减 动作”的输入，RF-Glove将该动作对应的相位轮廓 少。最后，将独立的姿势联合起来，以此身体姿势 集与每种类型的多指“微动作”模板进行比较，匹 序列来识别肢体的运动行为。总体来说，RF-Kinect 配最相似的“微动作”指令。 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 基于RFD的非绑定式感知 拓扑结构的位置变化，由此实现对肢体动作行为的 追踪。 虽然基于RFD的绑定式感知通常能够实现精 基于RFID的手势微动作感知系统：当前的人 确的感知，但是在部分应用场景下，感知对象无法 机交互方式已从键盘、触摸板输入等方式转变为隔 时刻携带或者绑定RFID标签，这时可以考虑采用 空手势交互的新型模式。用户可以使用肢体甚至手 非绑定式的方法来完成感知任务。基于RFID的非 指进行体感交互，操纵显示屏或者空中的虚拟对象，绑定式感知是指以非接触的方式将RFID标签部署 更加自然地支持虚拟现实和增强现实相关应用。同 在感知对象周围，当反向散射通信环境中感知对象 样，区别于现有的基于计算机视觉的解决方案，笔 状态发生变化时，通过探索和提取RFID标签反射 者研究团队提出了一套基于RFID的多指微动作感 信号的特征，来推导环境中未绑定标签的感知对象 知系统RF-Glove,实现对12cm精度的“微动 的状态。根据感知原理的不同，非绑定式感知又可 作手势”的精确感知。如图4所示，RF-Glove将无 以分为以下三种感知方法。 源标签分别附着在手套的五个手指上，使用RFID 1.基于标签电感耦合的非绑定式感知方法：研 天线对多个标签进行持续扫描采集反向散射信号特 究人员发现，当两个标签距离较近时（如1~2cm) 征（如信号强度、相位等）。考虑到多个手指在执会存在电感耦合现象，外界环境中感知对象的状态 行“微动作”过程中信号特征变化与手势的关系相 (如位置、速度等)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 苏量3 苏章4 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 (1)放大(2)缩小 (3)左旋 (4)右旋 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u剧：利 用双标签之间的相互作用对液 (5)轻拍(6)左滑(7)右滑 (8)击打 体敏感的特性，来判断工业管 道设备是否存在漏液情况。 图4基于RFD的手势微动作感知系统 2.基于反射信号模型的非 23
23 第 17 卷 第 2 期 2021 年 2 月 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 （Angle of Arrival，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，笔 者研究团队提出了一套基于 RFID 的多指微动作感 知系统 RF-Glove[17]，实现对 1~2 cm 精度的“微动 作手势”的精确感知。如图 4 所示，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。 1. 基于标签电感耦合的非绑定式感知方法 ：研 究人员发现，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 （如位置、速度等）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 [18] ；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 [19]。 图 4 基于 RFID 的手势微动作感知系统 2. 基于反射信号模型的非 标签 1 标签 2 标签 4 标签 3 标签 5 （1）放大 （2）缩小 （3）左旋 （4）右旋 （5）轻拍 （6）左滑 （7）右滑 （8）击打
专题中喝计算学食通就第17卷第2期2021年2月 滑动 RFID标签阵列 RFID S 标签 自由空 间信号 76X RFID天线（背面） RFID 天线 图5基于RFD的高精度非绑定式手势感知系统 绑定式感知方法：研究人员发现，在反向散射过程队研发了一套基于RFID的高精度非绑定式手势感知 中，环境中的人体、墙壁等物体会反射射频信号形 系统RF-finger200。RF-finger系统基于环境中部署的 成多径效应，导致标签信号混杂环境变化特征，因网格状标签阵列，利用手指对多个标签信号的“扰动 此可以通过建立反射模型来关联信号变化与感知对 效应”进行手势感知。为了实现高精度的手势感知， 象的状态变化。例如，通过部署一定规模的规则的 RF-finger系统采用“信号融合”的思路，融合手指对 标签阵列，可以感知人体肢体的位置变化或手势的多个标签的不同影响，构建信号反射模型，实现对手 轨迹20；还可以进一步感知人体的睡姿变化，实现指位置的准确追踪。如图5所示，RF-ger在A4纸 睡眠监测2。 大小的空间中部署网格状标签阵列，使用单个天线 3.基于信号模式匹配的非绑定式感知方法：当在阵列背后持续扫描标签，用户在阵列前方进行手 感知对象的状态变化和RFID信号特征之间的关系势操作。RF-iger先利用信号的反射模型，从接收 过于复杂，难以建立精准的物理模型来进行描述时，信号中去除自由空间信号并抽取反射信号；然后， 我们可以基于深度学习方法构建数据驱动的模型，基于多个标签的反射信号，利用手指反射信号的理 根据不同动作的信号变化规律，采用模式匹配的方论分布特征将粗粒度的反射信号特征转化成细粒度 式，关联感知状态（如用户动作）与标签阵列的信的手指位置概率分布：最后，利用细粒度的手指位 号特征（如相位变化趋势、移动速度、动作时间等），置概率分布，结合机器学习算法对手指的运动轨迹 从而基于标签阵列的时空关联性来识别用户的动作 进行追踪，并对常用的手势动作进行识别。总体来 和行为2四。 说，RF-finger基于环境中的网格状标签阵列，建立 了一套高精度非绑定式的反射感知模型，并基于“信 典型案例 号融合”的思路结合感知模型来推理手指位置，最 笔者研究团队近年研发了基于RFID的高精度非 终实现对手势和手指轨迹的细粒度感知。 绑定式手势感知系统。当前的手势感知系统的感知 方式主要包括可穿戴感知和视觉感知两种方式。前 基于RFD的混合式感知 者需要用户佩戴专用设备来感知手势的微动作，但 是绑定式设备的穿戴影响用户的交互体验；后者使 绑定式感知与非绑定式感知并非相互对立，两 用计算机视觉技术来捕捉手掌的关节运动，但存在 者各有优劣，如果能够根据特定的应用需求联合使 受环境光线干扰、视觉计算复杂度高等缺陷。考虑 用，势必能够起到优势互补、相辅相成的作用。基 到手指对RFID标签反射信号的影响，笔者研究团于RFID的混合式感知融合了绑定与非绑定式感知 24
24 专题 第 17 卷 第 2 期 2021 年 2 月 绑定式感知方法 ：研究人员发现，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 [20] ；还可以进一步感知人体的睡姿变化，实现 睡眠监测 [21]。 3. 基于信号模式匹配的非绑定式感知方法 ：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 [22]。 典型案例 笔者研究团队近年研发了基于 RFID 的高精度非 绑定式手势感知系统。当前的手势感知系统的感知 方式主要包括可穿戴感知和视觉感知两种方式。前 者需要用户佩戴专用设备来感知手势的微动作，但 是绑定式设备的穿戴影响用户的交互体验；后者使 用计算机视觉技术来捕捉手掌的关节运动，但存在 受环境光线干扰、视觉计算复杂度高等缺陷。考虑 到手指对 RFID 标签反射信号的影响，笔者研究团 队研发了一套基于 RFID 的高精度非绑定式手势感知 系统 RF-finger[20]。RF-finger 系统基于环境中部署的 网格状标签阵列，利用手指对多个标签信号的“扰动 效应”进行手势感知。为了实现高精度的手势感知， RF-finger 系统采用“信号融合”的思路，融合手指对 多个标签的不同影响，构建信号反射模型，实现对手 指位置的准确追踪。如图 5 所示，RF-finger 在 A4 纸 大小的空间中部署网格状标签阵列，使用单个天线 在阵列背后持续扫描标签，用户在阵列前方进行手 势操作。RF-finger 先利用信号的反射模型，从接收 信号中去除自由空间信号并抽取反射信号 ；然后， 基于多个标签的反射信号，利用手指反射信号的理 论分布特征将粗粒度的反射信号特征转化成细粒度 的手指位置概率分布 ；最后，利用细粒度的手指位 置概率分布，结合机器学习算法对手指的运动轨迹 进行追踪，并对常用的手势动作进行识别。总体来 说，RF-finger 基于环境中的网格状标签阵列，建立 了一套高精度非绑定式的反射感知模型，并基于“信 号融合”的思路结合感知模型来推理手指位置，最 终实现对手势和手指轨迹的细粒度感知。 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 图 5 基于 RFID 的高精度非绑定式手势感知系统 RFID 标签 滑动 自由空 间信号 反射 信号 RFID 天线 RFID 标签阵列 RFID 天线（背面）
中阁补算将学會通沁第17卷第2期2021年2月 的双重特点，既能对感知对象关联的标签信号（如 关联性融合多标签的反射信号，进行心率信号提取： 与绑定对象位置相关联的信号特征)进行直接感知， 最后，采用动态规划的方式，对心率的融合信号进 又能利用感知对象对标签反射信号的影响（如与非 行分割，实现细粒度的心率感知。 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 发展趋势与展望 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”。下文以笔者研究团 随着物联网与人工智能在理论、方法和技术等 队近年来的相关成果为例，介绍基于RFID混合式 层面的进一步融合、演进，人类对物理世界的感知 感知的典型案例。 已经进入了“泛在智能”阶段，“AI+IoT”的泛在 基于RFID的人体生命体征监测系统：当前的 智能框架将进一步渗透到各种新型环境感知技术中 心率感知或者采用专业的医用心电图(ECG)设 去。对于以RFID为例的无源感知技术而言，为了 备，部署麻烦且价格昂贵；或者采用可穿戴设备或实现更为精确和泛化的感知，我们需要完成“特征 无线设备进行感知，只能测量粗粒度心率信息，难成像”和“智能推理”两个任务。“特征成像”是 以检测早搏、心率不齐等隐患。考虑到人体的呼吸 指需要基于各种感知前端，从原始无线信号中提取 和心跳均对RD信号产生影响，笔者研究团队研出更多的与感知环境和目标相关的信号特征，并且 发了一套基于RFID的人体生命体征监测系统RF- 尽可能将这些信号特征以二维、三维甚至多维的方 ECG2。RF-ECG系统利用部署在胸口的一组RFID 式进行成像，如基于光谱图、距离-多普勒成像等 标签阵列进行呼吸和心率的感知。其中，呼吸的胸 的热力图。“智能推理”是指需要根据“特征成像” 廓变化改变标签的位置，称为“运动效应”：心跳的 输出的多维特征实现分类、回归等推理过程。传统 舒张收缩影响信号的反射，称为“反射效应”。为消的建模推理方法由于泛化性的需求导致模型相对简 除运动效应带来的显著干扰，F-ECG系统采用“信单，难以用“模型驱动”的方式细致、有效地刻画 号分离”的思路对心率进行细粒度感知。如图6所示，多维信号特征与最终输出的分类/回归结果之间的 F-ECG系统在胸口处部署一组标签阵列，并利用非线性关系。因此，我们需要进一步基于深度学习、 正前方的天线持续扫描标签进行心电图感知。F-强化学习等方法实现“数据驱动”的推理过程，结 ECG首先利用多个标签的空间关联性，进行胸廓位合“模型驱动”带来的启发和范式，基于大量标记 置变化的绑定式感知，并从原始信号中分离去除“运 的感知数据实现精确、泛化、鲁棒的泛在智能感知 动效应”；然后，利用非绑定式反射信号模型，抽 机制。 取心跳带来的“反射效应”，并利用多标签的时间 随着越来越多的研究者和实践者进入无源感知 技术领域并开疆拓土，该技术将从“拓展感知范畴” 和“探索感知极限”两个方面得到进一步发展。其中， 心电图 “拓展感知范畴”是指无源感知的功能将从传统的 运动效应 定位追踪拓展到更多新型模态的感知，包括物体姿 N 态追踪、人体微动作感知、人体生命体征监测等：“探 索感知极限”是指无源感知的性能将从原先的“分 米级”感知精度，逐步向“厘米级”甚至“毫米级” 反射效应 标签阵列 感知精度演进。最后，明代思想家王守仁提出的“知 天线 行合一，止于至善”思想可以为无源感知技术的未 图6，基于RFD的人体生命体征监测 来发展做一个美好的注解—通过对实际应用模式 25
25 第 17 卷 第 2 期 2021 年 2 月 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”。下文以笔者研究团 队近年来的相关成果为例，介绍基于 RFID 混合式 感知的典型案例。 基于 RFID 的人体生命体征监测系统 ：当前的 心率感知或者采用专业的医用心电图（ECG）设 备，部署麻烦且价格昂贵 ；或者采用可穿戴设备或 无线设备进行感知，只能测量粗粒度心率信息，难 以检测早搏、心率不齐等隐患。考虑到人体的呼吸 和心跳均对 RFID 信号产生影响，笔者研究团队研 发了一套基于 RFID 的人体生命体征监测系统 RFECG[23]。RF-ECG 系统利用部署在胸口的一组 RFID 标签阵列进行呼吸和心率的感知。其中，呼吸的胸 廓变化改变标签的位置，称为“运动效应”；心跳的 舒张收缩影响信号的反射，称为“反射效应”。为消 除运动效应带来的显著干扰，RF-ECG 系统采用“信 号分离”的思路对心率进行细粒度感知。如图6所示， RF-ECG 系统在胸口处部署一组标签阵列，并利用 正前方的天线持续扫描标签进行心电图感知。RFECG 首先利用多个标签的空间关联性，进行胸廓位 置变化的绑定式感知，并从原始信号中分离去除“运 动效应”；然后，利用非绑定式反射信号模型，抽 取心跳带来的“反射效应”，并利用多标签的时间 关联性融合多标签的反射信号，进行心率信号提取； 最后，采用动态规划的方式，对心率的融合信号进 行分割，实现细粒度的心率感知。 发展趋势与展望 随着物联网与人工智能在理论、方法和技术等 层面的进一步融合、演进，人类对物理世界的感知 已经进入了“泛在智能”阶段，“AI+IoT”的泛在 智能框架将进一步渗透到各种新型环境感知技术中 去。对于以 RFID 为例的无源感知技术而言，为了 实现更为精确和泛化的感知，我们需要完成“特征 成像”和“智能推理”两个任务。“特征成像”是 指需要基于各种感知前端，从原始无线信号中提取 出更多的与感知环境和目标相关的信号特征，并且 尽可能将这些信号特征以二维、三维甚至多维的方 式进行成像，如基于光谱图、距离 - 多普勒成像等 的热力图。“智能推理”是指需要根据“特征成像” 输出的多维特征实现分类、回归等推理过程。传统 的建模推理方法由于泛化性的需求导致模型相对简 单，难以用“模型驱动”的方式细致、有效地刻画 多维信号特征与最终输出的分类 / 回归结果之间的 非线性关系。因此，我们需要进一步基于深度学习、 强化学习等方法实现“数据驱动”的推理过程，结 合“模型驱动”带来的启发和范式，基于大量标记 的感知数据实现精确、泛化、鲁棒的泛在智能感知 机制。 随着越来越多的研究者和实践者进入无源感知 技术领域并开疆拓土，该技术将从“拓展感知范畴” 和“探索感知极限”两个方面得到进一步发展。其中， “拓展感知范畴”是指无源感知的功能将从传统的 定位追踪拓展到更多新型模态的感知，包括物体姿 态追踪、人体微动作感知、人体生命体征监测等；“探 索感知极限”是指无源感知的性能将从原先的“分 米级”感知精度，逐步向“厘米级”甚至“毫米级” 感知精度演进。最后，明代思想家王守仁提出的“知 行合一，止于至善”思想可以为无源感知技术的未 图 6 基于 RFID 的人体生命体征监测 来发展做一个美好的注解——通过对实际应用模式 心电图 运动效应 反射效应 标签阵列 天线
专题中喝计算学食通就第17卷第2期2021年2月 的探索来践行“知行合一”，拓展感知范畴，通过 谢磊 对感知性能的迭代提升来追寻“止于至善”，探索 CCF高级会员。南京大学计算机科学与 感知极限。 技术系教授、博导。教育部青年长江学者。 CCF普适计算专委秘书长。主要研究方 向为普适计算、智能感知计算。 lxie@nju.edu.cn 参考文献 王楚豫 [1]Wang F.et al.Person-in-WiFi:Fine-grained person perception CCF专业会员。南京大学计算机科学与 using WiFi[Cll/Proceedings of the IEEE International 技术系助理研究员。CCF普适计算专委 Conference on Computer Vision,2019:5452-61. 委员。主要研究方向为RFID无源感知 [2]Zheng Y,et al.Zero-effort cross-domain gesture 计算。 chuyu@nju.edu.cn recognition with Wi-Fi[Clll Proceedings of the 17th Annual International Conference on Mobile Systems, Applications.and Services,2019:313-25. 卜艳玲 [3]Wang J,et al.RF-IDraw:virtual touch screen in the CCF学生会员。南京大学计算机科学 与技术系博士研究生。主要研究方向为 air using RF signals[J].ACM S/GCOMM Computer RFD无源感知计算。 Communication Review,2014,44(4):235-46. yanling @smail.nju.edu.cn [4]Bu Y.et al.RF-3DScan:RFID-based 3D Reconstruction on Tagged Packages[J].IEEE Transactions on Mobile Computing,2019 其他作者：宁静仪陆桑璐 [5]Bu Y,et al.RF-Dial:An RFID-based 2D human-computer interaction via tag array [Cl/IEEE INFOCOM 2018-IEEE [12]Xie L.et al.TaggedAR:An RFID-based Approach for Conference on Computer Communications,2018:837-45 Recognition of Multiple Tagged Objects in Augmented [6]Wang C,et al.RF-kinect:A wearable RFID-based Reality Systems.IEEE Transactions on Mobile approach towards 3D body movement tracking[C]// Computing,2018,18(5y1188-202 Proceedings of the ACM on Interactive,Mobile,Wearable [13]An Z,et al.Cross-frequency communication:Near- and Ubiquitous Technologies,2018,2(1):1-28 field identification of uhf rfids with wifi!Proceedings [7]Wang C,et al.Spin-Antenna:3d motion tracking for of the 24th Annual International Conference on Mobile tag array labeled objects via spinning antenna[Cl// Computing and Networking,2018:623-38 IEEE INFOCOM 2019-IEEE Conference on Computer [14]Liu J,et al.Tag-compass:Determining the spatial direction Communications.2019:1-9 of an object with small dimensions.IEEE INFOCOM [8]Gong Y,et al.RF-brush:3D human-computer interaction 2017-IEEE Conference on Computer Communications, via linear tag array.2018 IEEE 15th International 2017:1-9 Conference on Mobile Ad Hoc and Sensor Systems [15]Yu Y,et al.RFID based real-time recognition of ongoing (MASS),2018:290-8 gesture with adversarial learning.Proceedings of the 17th [9]Yang L,et al.Tagoram:Real-time tracking of mobile RFID Conference on Embedded Networked Sensor Systems, tags to high precision using COTS devices.Proceedings 2019:298-310 of the 20th annual interational conference on Mobile [16]Fan X,et al.When RFID meets deep learning:Exploring computing and networking,2014:237-48 cognitive intelligence for activity identification.IEEE [1O]Liu X,et al.Accurate Localization of Tagged Objects Wireless Communications.2019.26(3):19-25 Using Mobile RFID-augmented Robots.IEEE [17]Xie L,et al.Multi-touch in the air:Concurrent Transactions on Mobile Computing.2019 micromovement recognition using RF signals.IEEE/ [11]Shangguan L,et al.Relative Localization of (RFID] ACM Transactions on Networking.2017,26(1):231-44 Tags using Spatial-Temporal Phase Profiling.12th [18]Han J,et al.Butterfly:Environment-Independent physical- (USENIX]Symposium on Networked Systems Design layer authentication for passive RFID.Proceedings of the and Implementation ((NSDI)15).2015:251-63 ACM on Interactive,Mobile,Wearable and Ubiquitous 26
26 专题 第 17 卷 第 2 期 2021 年 2 月 参考文献 [1] Wang F, et al. Person-in-WiFi: Fine-grained person perception using WiFi[C]// Proceedings of the IEEE International Conference on Computer Vision, 2019: 5452-61. [2] Zheng Y, et al. Zero-effort cross-domain gesture recognition with Wi-Fi[C]// Proceedings of the 17th Annual International Conference on Mobile Systems, Applications, and Services, 2019: 313-25. [3] Wang J, et al. RF-IDraw: virtual touch screen in the air using RF signals[J]. ACM SIGCOMM Computer Communication Review, 2014, 44(4): 235-46. [4] Bu Y, et al. RF-3DScan: RFID-based 3D Reconstruction on Tagged Packages[J]. IEEE Transactions on Mobile Computing, 2019 [5] Bu Y, et al. RF-Dial: An RFID-based 2D human-computer interaction via tag array[C]// IEEE INFOCOM 2018-IEEE Conference on Computer Communications, 2018: 837-45 [6] Wang C, et al. RF-kinect: A wearable RFID-based approach towards 3D body movement tracking[C]// Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 2018, 2(1): 1-28 [7] Wang C, et al. Spin-Antenna: 3d motion tracking for tag array labeled objects via spinning antenna[C]// IEEE INFOCOM 2019-IEEE Conference on Computer Communications, 2019: 1-9 [8] Gong Y, et al. RF-brush: 3D human-computer interaction via linear tag array. 2018 IEEE 15th International Conference on Mobile Ad Hoc and Sensor Systems (MASS), 2018: 290-8 [9] Yang L, et al. Tagoram: Real-time tracking of mobile RFID tags to high precision using COTS devices. Proceedings of the 20th annual international conference on Mobile computing and networking, 2014: 237-48 [10] Liu X, et al. Accurate Localization of Tagged Objects Using Mobile RFID-augmented Robots. IEEE Transactions on Mobile Computing, 2019 [11] Shangguan L, et al. Relative Localization of {RFID} Tags using Spatial-Temporal Phase Profiling. 12th {USENIX} Symposium on Networked Systems Design and Implementation ({NSDI} 15), 2015: 251-63 谢 磊 CCF 高级会员。南京大学计算机科学与 技术系教授、博导。教育部青年长江学者。 CCF 普适计算专委秘书长。主要研究方 向为普适计算、智能感知计算。 lxie@nju.edu.cn 王楚豫 CCF 专业会员。南京大学计算机科学与 技术系助理研究员。CCF 普适计算专委 委员。主要研究方向为 RFID 无源感知 计算。 chuyu@nju.edu.cn 卜艳玲 CCF 学生会员。南京大学计算机科学 与技术系博士研究生。主要研究方向为 RFID 无源感知计算。 yanling@smail.nju.edu.cn 其他作者：宁静仪 陆桑璐 更多参考文献：http://dl.ccf.org.cn/cccf/list 的探索来践行“知行合一”，拓展感知范畴，通过 对感知性能的迭代提升来追寻“止于至善”，探索 感知极限。 ■ [12] Xie L, et al. TaggedAR: An RFID-based Approach for Recognition of Multiple Tagged Objects in Augmented Reality Systems. IEEE Transactions on Mobile Computing, 2018, 18(5): 1188-202 [13] An Z, et al. Cross-frequency communication: Nearfield identification of uhf rfids with wifi! Proceedings of the 24th Annual International Conference on Mobile Computing and Networking, 2018: 623-38 [14] Liu J, et al. Tag-compass: Determining the spatial direction of an object with small dimensions. IEEE INFOCOM 2017-IEEE Conference on Computer Communications, 2017: 1-9 [15] Yu Y, et al. RFID based real-time recognition of ongoing gesture with adversarial learning. Proceedings of the 17th Conference on Embedded Networked Sensor Systems, 2019: 298-310 [16] Fan X, et al. When RFID meets deep learning: Exploring cognitive intelligence for activity identification. IEEE Wireless Communications, 2019, 26(3): 19-25 [17] Xie L, et al. Multi-touch in the air: Concurrent micromovement recognition using RF signals. IEEE/ ACM Transactions on Networking, 2017, 26(1): 231-44 [18] Han J, et al. Butterfly: Environment-Independent physicallayer authentication for passive RFID. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous
中阁补算将学會通沁第17卷第2期2021年2月 Technologies,2018,2(4):1-21 [9]Guo J,ct al.Twinleak:Rfid-based liquid leakage detcction in industrial environments.IEEE INFOCOM 2019-IEEE Conference on Computer Communications,2019:883-91 [20]Wang C.et al.Multi-touch in the air:Device-free finger tracking and gesture recognition via cots rfid.IEEE INFOCOM 2018-IEEE Conference on Computer Communications,2018:1691-9 1]Liu J,et al.Tagsheet:Sleeping posture recognition with an unobtrusive passive tag matrix.IEEE INFOCOM 2019. IEEE Conference on Computer Communications,2019: 874-82 22]Wang Y and Zheng Y.Modeling RFID signal reflection for contact-free activity recognition.Proceedings of the ACM on Interactive,Mobile,Wearable and Ubiquitous Technologies,2018,2(4):1-22 [23]Wang C,et al.Rf-ecg:Heart rate variability assessment based on cots rfid tag array.Proceedings of the ACM on Interactive,Mobile,Wearable and Ubiquitous Technologies,2018,2(2):1-26 27
27 第 17 卷 第 2 期 2021 年 2 月 更多参考文献：http://dl.ccf.org.cn/cccf/list Technologies, 2018, 2(4): 1-21 [19] Guo J, et al. Twinleak: Rfid-based liquid leakage detection in industrial environments. IEEE INFOCOM 2019-IEEE Conference on Computer Communications, 2019: 883-91 [20] Wang C, et al. Multi-touch in the air: Device-free finger tracking and gesture recognition via cots rfid. IEEE INFOCOM 2018-IEEE Conference on Computer Communications, 2018: 1691-9 [21] Liu J, et al. Tagsheet: Sleeping posture recognition with an unobtrusive passive tag matrix. IEEE INFOCOM 2019- IEEE Conference on Computer Communications, 2019: 874-82 [22] Wang Y and Zheng Y. Modeling RFID signal reflection for contact-free activity recognition. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 2018, 2(4): 1-22 [23] Wang C, et al. Rf-ecg: Heart rate variability assessment based on cots rfid tag array. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 2018, 2(2): 1-26
