Page 439 - 《软件学报》2026年第1期

436 软件学报 2026 年第 37 卷第 1 期

可以解决实际落地项目中存在的感知业务需要与盘点业务共存的问题, 支持无源物联网感知业务的落地商用.
4.3 新能力——面向 AI 泛化、微状态、多模态融合拓展感知新能力
无源物联网的新架构和空口设计主要是针对无线感知性能的提升, 此外, 随着 AI 算法模型、无源物联网信号
传播模型研究的发展, 无源物联网无线感知也将进一步拓展新的感知能力, 主要是在基于 AI 算法的感知、微状态
感知、多模态融合感知这 3 个方面.
在基于 AI 算法的感知方面, 许多感知技术通过使用神经网络、大小模型等挖掘无线信号内深层次的特征, 进
行目标相应特征的感知识别. 相比于传统的模型感知方法, 当前先进的机器学习方法能够利用数据关联特性, 挖掘
数据的深层特征关系, 进行感知目标与接收信号特征之间的关联映射. 例如, Zhao 等人 [74] 提出了一个面向射频场
强的神经网络模型框架 NeRF , 该模型能够对环境内射频信号的变化进行准确建模, 通过对环境内的无线信号进
2
行小样本训练, 该系统能够有效预测出环境中各个位置的信号特征, 该框架有助于在复杂环境下进行准确的室内
定位以及行为感知. Wang 等人 [22] 利用信号反射模型提取手指对标签阵列的信号反射特征, 并构造二维特征图, 使
用卷积神经网络对二维特征图进行识别分类, 实现手势的轨迹追踪和识别. 但是, 基于 AI 算法的技术, 受限于无线
感知数据标记样本少、感知环境多样性、感知场景动态性以及感知目标差异性等问题, 其在真实环境下的感知泛
化能力是未来需要进一步解决的问题.
在微状态感知方面, 当前主流的感知技术依然关注目标定位、轨迹追踪、行为感知等厘米级粗粒度的感知应
用, 而在毫米级、亚毫米级的细粒度感知中鲜有研究. 近年来, 随着无线感知技术的飞速发展, 对目标进行细粒度
的感知成为新一个重要的感知热点. 例如, Li 等人 [75] 通过分析 RFID 标签的谐波反向散射信号来检测高频和微小
的机械振动, 显著提高了振动检测的灵敏度和准确性, 为振动监测提供了一种成本效益高的解决方案. Wang 等人 [76]
利用环境中的 RFID 标签, 实现对音响声音的窃听, 他们通过新型的信号模型放大振动信号影响, 并利用对抗生成
模型进行音频补全, 实现了人声的窃听与还原. 另外, 将无源标签天线与传感材料结合, 基于天线的阻抗变化可实
现新型感知能力, Gastag [77] 将气敏材料集成至标签天线, 使得标签阻抗会随着 CH 4 、CO 2 、CO 等气体浓度发生
变化从而影响标签信号相位, 建立了标签相位与气体浓度的对应关系, 在 CO 气体上实现了 3 ppm 浓度误差.
Cyclops [78] 面向人体眼压检测将纳米材料集成至天线中作为压力传感单元, 使得天线阻抗会随着压力不同而改变,
基于 Magnus S3 标签芯片的自调谐功能识别出 9 bit 的天线阻抗数据, 将标签佩戴在眼球上检测人体眼压, 测量误
差可达 1 mmHg 以下. 目前, 面向微状态感知的技术依然处在萌芽阶段, 如何进一步挖掘无线信号在不同微状态下
的感知能力, 以及如何设计新型标签天线进行更精确和多样的感知, 是未来的重要感知趋势.
在多模态融合方面, 由于 RFID 技术的自身局限性, 其感知能力及鲁棒性在实际应用中会受到诸多限制, 多模
态融合将其与 IMU、视觉等其他感知方法在数据层面融合, 将多种传感器的结果进行匹配结合, 进一步扩展新的
感知能力边界. Vena 等人 [79] 将 UHF RFID 与惯性单元 IMU 相结合, 成功实现了博物馆内游客位置的实时监控, 该
系统利用放置在展品附近的 RFID 标签以及游客携带的含 IMU 的 RFID 读写器, 通过分析 RFID 信号强度和磁力
计方向信息, 精确追踪游客的游览路径, 从而深入了解游客对不同展品的关注度. Xie 等人 [80] 提出了将 RFID 技术
与视频感知技术相结合的增强现实感知方案, 该方案通过视频定位技术与无线定位技术将视频感知到的目标个体
与标签进行匹配, 并将二者的信息进行结合, 通过标签内部用户区存储的相关目标个性信息来丰富视频中目标的
状态, 在增强现实的场景下实现目标个性特征的所见即所得. 当前, 多模态融合感知的研究依然处于萌芽阶段, 各
个模态信号之间的融合技术也主要依赖神经网络与机器学习, 未来如何进一步挖掘各个模态的特征进行融合增
强, 依然是无线感知中的一个重要方向.
无源物联网无线感知新能力研究方向总结如表 4 所示. 从感知方法层面, 基于 AI 算法的感知技术随着神经网络、
大模型的兴起, 受到越来越多学者的关注, 但在面对开放环境下无线感知的信号动态性、场景多样性等问题缺乏探
讨, 如何利用少量的无线感知样本进行鲁棒感知是未来亟待解决的问题之一. 从感知目标层面, 微状态感知因为其感
知精度较高, 成为研究者们逐渐关注的方向, 目前主要集中在周期性振动信号的感知, 而面向未来更加复杂的场景,
如何探索其他微状态感知的能力与性能, 是提升射频信号感知能力的一个重要问题. 最后, 从感知框架层面, 充分挖
掘多个模态的感知优势进行互补融合是未来的一大趋势, 目前基于 RFID 的多模态感知技术主要利用视频技术对
RFID 感知结果进行辅助, 如何有效挖掘不同模态的优势进行融合感知是未来感知框架研究中的一个重点问题.