Page 435 - 《软件学报》2026年第1期

432 软件学报 2026 年第 37 卷第 1 期

表 2 物品状态检测研究工作比较

分类 感知目标 代表工作 技术方案 成果分析
精确度和环境普适性满足实用要求, 可
标签贴附于物品, 基于相位随着物品移
物品运动类别 文献[38−40] 与零售场景紧密结合, 但在零售商品密
动的变化模式识别运动种类
集程度下难以保证采样率
在物品上贴附标签阵列, 通过标签间的 与定位类似, 基于移动天线多次采样的
文献[41,43]
物品运动状态 几何关系识别摆放朝向 方案抗干扰性较强, 适用于仓储场景
物品摆放朝向
极化天线与标签的夹角会影响信号特 部署简单, 基于单天线单标签即可识别
文献[42]
征, 通过旋转天线识别标签朝向 朝向, 但易受干扰, 普适性弱
在旋转物品上贴附标签, 基于标签信号 在实验环境下已达较高精度, 但在实际
物品旋转振动 文献[44−46]
相位跟随旋转或振动的变化检测频率 场景上受到雷达和视觉技术的挑战
根据电磁波穿越不同类型液体时信号特
容器液体类型 文献[47,48] 实验环境下精度较高, 但普适性较弱
征的变化模式识别液体类型
基于液位高低对信号特征的不同影响识 基于标签阵列的方案抗干扰性较好, 适
物品内部状态 容器液位滴速 文献[49−51] 别液位, 基于液体滴落产生的振动对信 用于医疗的输液管理, 但实际部署下采
号的反射效应识别滴落事件 样距离和采样率较难满足
基于标签浸水前后的信号特征变化识别 在泄露检测上具备无源的独特优势, 但
容器液体泄露 文献[52,53]
泄露事件 仍面临信号较弱易受干扰的问题

在基于绑定式感知的人体行为识别中, RF-Kinect [21] 在人体每段肢体上部署两个平行的 RFID 标签, 使用正对
人体部署的双天线进行肢体运动追踪, 基于人体骨骼架构将标签绝对定位追踪问题转化为与关节角度相关的相对
空间角度追踪问题, 利用多标签构建标签段 AOA 模型, 构建空间追踪感知模型估算人体各关节角度和位置, 误差
为 8.7°和 4.4 cm. Lv 等人 [55] 将 6 个标签张贴在人体头部、胸部、左腿和右腿上, 使用四天线采集标签信号强度,
结合无监督领域自适应技术, 构建 SVM、FCN 等分类模型识别下蹲、行走、跌倒等行为, 精确度为 90.8%. Wang
等人 [56] 在人体多个关节处部署单标签, 获取每个标签的信号强度、相位、多普勒频移, 将数据输入图卷积网络对
21 种人体行为进行学习和分类, 精确度达到 97.63%. RF-glove [57] 在手套每个手指上粘贴单标签, 使用三天线采集
标签信号相位, 设计了一套可迁移的模板生成方案, 针对不同位置的手势自适应生成匹配模板, 使用 DTW 算法对
手势的信号变化进行匹配, 识别放大、缩小、旋转等 8 种手势, 精度为 92.1%.
在基于非绑定感知的人体行为识别中, 大量工作基于固定部署的标签阵列使用图像处理或 AI 技术识别人体
行为, 如: TagSheet [58] 在床垫上部署 30×18 标签阵列, 获取标签信号强度的图像数据, 根据信号强度受到人体的影
响, 基于特征规则和阈值的设计识别平躺、俯卧、侧躺等 6 种睡姿. RFitness [59] 在瑜伽垫上部署 3×9 标签阵列获取
标签信号强度图像, 使用 11 层 CNN 识别 5 种瑜伽姿势. TagSee [60] 面向零售店的货架场景在墙上部署 29×4 标签
阵列获取标签信号强度和相位图像, 并设计了 6 层深度神经网络识别人员购物行为. Zhao 等人 [61] 在墙上部署 4×4
标签阵列获取标签信号强度和相位的图像时间序列, 根据相位差值的标准差峰值进行时间分段, 使用 STGCN 方
法识别左转、右转、前进、后退等 12 种人体动作. LD-Recognition [62] 在课桌一侧部署 2×3 标签阵列, 通过另一侧
部署单天线读取标签, 使用基于注意力机制的图卷积方法识别学生举左手、举右手、打瞌睡、拿书这 4 个课堂动
作, 以上几项研究工作采用的是感知对象处于标签阵列和天线间的部署方式, 另外也有部分研究工作将感知对象
置于标签阵列后方使得感知对象不会遮挡标签信号的 LOS 路径, 如: RF-finger [22] 在塑料箱垂直面上部署 5×7 标签
阵列获取信号强度相位, 使用 KNN 算法检测手指的位置和移动轨迹并基于 CNN 识别手部动作. RFace [63] 使用
7×7 标签阵列, 使用 SVM 模型识别人脸形状进行身份认证. 在非绑定式的人员位置检测上, TomoID [64] 在房间四
周 1.4 m 高处水平等间隔 16.37 cm (半波长) 部署标签, 采集信号强度相位和读取率, 基于 U-Net 设计神经网络架
构, 训练生成位置概率图识别房间中人员走动位置, 精度为 17.1 cm.
人体行为识别的绑定式和非绑定式方法总结如表 3 所示.
4) 生命体征检测
基于 RFID 的生命体征感知范围主要为呼吸和心率, 其基本原理是通过 RFID 标签捕捉由人体呼吸和心跳造
成的 LOS 路径或 NLOS 路径的信号变化, 从而感知呼吸与心跳. 成年人正常的静息呼吸率约为 12–20 bpm, 心率
约为 50–90 bpm, 即人体的呼吸和心跳都是低频信号, 标签读取率远大于监控呼吸率和心率所需的奈奎斯特采样