Page 434 - 《软件学报》2026年第1期

黄宇红 等: 基于 RFID 的无源物联网无线感知研究现状与发展趋势 431

一般采用非绑定式感知方式, 将标签张贴在物品或容器表面, 感知过程中标签是静止且形状不变的, 通过标签周边
近距离范围内环境对信号传播的影响实现感知目标.
物品运动类别检测可用于识别张贴了标签的门店商品是否被客户拿取, 从而评估商品的受关注程度. CBID [38]
基于商品上单个 RFID 标签的信号相位连续采样计算变化速度从而得到多普勒频移, 再通过检测多普勒频移的峰
值判断商品是否被拿取, 在服装、眼镜、图书这 3 类店铺场景下综合精确度达到 97.78%. ShopMiner [39] 聚焦服装场
景, 基于衣服被查看和被拿取两种行为对相邻衣服标签相位变化的不同影响, 通过计算目标衣服与相邻衣服在时间
窗内的相位变化相关系数识别服装被查看和被拿取两种客户行为, 精确度为 92%. Wan 等人 [40] 面向实际场景将标
签总数增大至 1 000, 基于信号强度的频率分析和信号相位与激励信号频段的相关关系提取特征, 使用随机森林和
逻辑回归模型进行分类训练, 识别准确率在 90% 以上. 物品朝向角度检测可用于仓库物品摆放情况的核查. RF-
3DScan [41] 在方形货物 3 面上各张贴 2 个标签, 通过移动天线对标签进行持续扫描, 利用标签相位的时序关系判断
其左右上下顺序, 利用相位斜率模型对标签的前后顺序进行判定, 最后基于标签对相对关系检测货物的摆放朝向,
误差为 4.08°. Spin-Antenna [42] 在网球拍平面上张贴 3–5 个标签, 通过单个旋转极化天线识别球拍的平移和旋转, 基
于线性极化特性有效识别标签的空间方向并滤除多径干扰, 利用旋转特点读取不同朝向的标签, 进行空间阵列建模
实现位置感知, 误差为 6.02°. Liu 等人 [43] 面向工业流水线场景, 在货物单面线性张贴 3 个标签, 使用 3 个固定位置
天线读取标签, 根据标签与天线的距离不同带来相位差计算货物朝向, 并使用主成分分析法滤除噪声, 误差为
4.89°. 旋转及振动检测可用于工业异常监测等场景, 都是通过检测信号特征的高频周期性变化识别旋转或振动的
频率. Tagbeat [44] 将 1 个标签张贴于旋转平台上, 基于标签读取时间的随机性, 利用压缩感知技术实现用较低的标签
相位数据读写率感知高频旋转频率, 误差为 0.03%. Tagtwins [45] 通过双标签部署针对旋转底座振动、多径效应等干
扰因素提高了检测鲁棒性, 并使用高斯插值对双标签的读取数据进行时间匹配, 在 670–2 067 RPM 的转速范围的
最大误差为 0.42 Hz, 另一方面, RED [46] 根据旋转中相位值序列的分布极值判断旋转轴是否存在偏心, 精度为 93.6%.
物品内部状态检测可用于识别容器内液体类型、液位、滴速等和物体表面泄露、介电性质等. TagScan [47] 在
环境中部署单天线和两个垂直的 8 标签阵列, 通过提取信号强度差和相位差的比值 RP-rate 为特征, 使用 KNN 分
类器识别醋、可乐、酱油等 10 种液体, 准确率达到 94%. Zhao 等人 [48] 将单个标签张贴在容器上, 天线在容器底部
使得电磁波穿过容器中的液体高度, 根据信号相位和强度两个维度数据的变化使用 WKNN 算法区分水、醋、可
乐、牛奶等 10 种液体, 准确率可达 99.4%. DropMonitor [49] 通过在输液瓶张贴两张标签分别用于感知和参考, 使用
单天线利用两个标签的相位关系消除环境干扰, 通过相位的变化检测液面发生振动从而实现滴速检测, 误差小于
1%. Tajin 等人 [50] 将两个标签纵向首尾相连张贴在输液袋上, 使用单天线获取标签信号强度与液位的变化趋势, 基
于 GAM 等机器学习方法识别液位, 精度在 45°读取角度时达到最高, 91% 的情况下误差在 10% 以内. Li 等人 [51]
将单个标签纵向粘贴于塑料瓶上, 使用单天线获取其最小激活功率 MRT, 并在相同距离部署一个参考标签, 获取
两者最小激活功率差值 DMRT 来消除距离影响, 通过多项式拟合识别液位, 最高精度达到 95.55%. TwinLeak [52] 将
标签贴附于棉质材料上, 基于浸水后 RSSI 和相位的变化检测液体泄漏, 并利用双邻近标签的电感耦合效应增强信
号特征, 检测精度达到 97.2%. Zhao 等人 [53] 则使用单个标签, 基于在泄露前后的信号强度变化, 部署了 9 个待测容
器形成标签阵列降低干扰并同时检测液体泄露. Nikitin 等人 [54] 使用单标签, 基于贴附材料的介电常数对频率-最小
激活功率关系曲线的影响, 利用 5 种已知介电常数的材料检测结果拟合曲线检测介电常数, 精度约为 15%.
物品状态检测的主要感知目标总结如表 2 所示.
3) 人体行为识别
人体行为识别按照不同部位和范围的活动可以分为两大类, 一是人体整体行为, 包括人体是否存在、站立、
坐下、行走等, 二是人体肢体行为, 包括对人体四肢和手部的运动检测以及行为和手势识别. 在技术实现上, 一方
面采用绑定式感知方式, 由人体携带标签 (如穿带有 RFID 标签的衣物), 基于标签的移动以及多标签的相对位置
和运动识别人体动作, 通常需要建立感知目标的几何模型进行数据计算; 另一方面采用非绑定感知方式, 在环境中
部署位置不变的 RFID 标签 (如在墙上布置标签阵列), 通过分析人体运动导致的环境多径变化对信号特征的扰动
识别人体动作、步态、手势等, 通常需要基于 AI 方法训练出信号特征与识别结果的关联.