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l 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 2323 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