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 -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 2222 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