审校 | 重楼
使用基于RSSI和PDOA的CNN无源RFID标签定位技术
1.零售店之货物盘点
夜幕降临，城市的霓虹灯渐渐亮起，一家位于繁华商圈的零售店内却异常安静。店内的灯光柔和而明亮，照亮了整个空间，将每一寸货架、每一排商品都映照得清晰可见。空气中弥漫着淡淡的清洁剂的香味，与店外喧嚣的都市气息形成鲜明对比。
此刻，零售店的员工们正忙碌地进行着盘点工作。他们身穿统一的制服，手持扫描枪，在货架间穿梭。每当扫描枪发出“嘀”的一声，商品的信息便迅速被录入系统，货架上的库存量也随之更新。整个盘点过程严谨而有序，每一位员工都全神贯注，确保数据的准确性。
在货架的尽头，店长正站在一台电脑前，注视着屏幕上的数据变化。他的眼神专注而坚定，仿佛在审视着整个店铺的运营状况。他的手中不时地翻阅着记录本，对每一个细节都严格把控。他的身边，几位助手正忙碌地整理着资料，为店长的决策提供有力支持。
随着盘点工作的深入进行，店铺内的氛围也愈发紧张。但在这份紧张中，却透露出一丝有条不紊的秩序感。员工们之间的默契配合、店长的精准指挥，都让这个看似繁琐的盘点过程变得高效而流畅。
当最后一件商品被扫描完毕，店内的灯光逐渐暗下。店外，天渐渐亮了，一丝鱼肚白悄然出现在东方的天际。这是新的一天开始的信号，也是新的挑战的一天的到来。
什么时候月度盘点不再需通宵达旦，这是不是奢想呢？
图1
2.快速盘点不再是奢想
对于每个货位/货架，如何做到又快、又准的盘点呢？
基于RSSI和相位值的CNN无源RFID标签定位技术，可以做到！
首先了解以下两个概念：
2.1 RSSI的概念
RSSI（Received Signal Strength Indication），即接收信号强度指示，是无线发送层的可选部分，用来判定链接质量，以及是否增大广播发送强度。
在实际使用中，RSSI是负值的。因为无线信号多为mW级别，所以对它进行了极化，转化为dBm，不表示信号是负的。1mW等于0dBm，小于1mW表示负数的dBm。
dBm值最大为0，表示接收方把发射方发射的所有无线信号都接收到了，即无线路由器发射多少功率，接收的无线网卡就获得多少功率。当然这是理想状态的测量值。
RSSI通过接收到的信号强弱来测定信号点与接收点的距离，进而根据相应数据进行定位计算。
2.2 PDOA的概念
PDOA（Phase-Difference-of-Arrival），常规叫法是信号到达相位差PDOA测距算法，或者说接收信号相位差PDOA定位算法，也是一种室内定位算法，通过测量相位差求出信号往返的传播时间来计算往返距离。
了解了上面这两个基本概念，那如何应用到RFID标签的快速、准确盘点中呢？
2.3 两个实验数据
经过实验，可知：
1、RFID标签到RFID扫描枪之间的距离越小，得到的标签RSSI越大。所以，当RFID扫描枪垂直经过标签时，距离最短，此时标签应有最大RSSI值。对应地，连续扫描过程中RSSI值最大的时刻，标签恰好到达与天线垂直的位置。某大学的实验数值，如图2所示：
图2
在RFID扫描枪由远及近再远离的移动过程中，距离先减后增，所以相位值也先减后增，在垂直点处有最小值，整体呈V型。因此，根据标签相位到达最小值的顺序就能够判断标签之间的相对位置关系。某大学的实验数值，如图3所示：
图3
因此，通过对某个RFID标签的RSSI和相位值进行判断。RSSI值越大，同时相位值越小，可判定标签可能所处的货位区域。
2.4 轻量级的RFID标签盘点方案
1、在货位/货架的某个位置，粘贴上普通的条码标签，作为参考标签。
2、手持RFID扫描枪启动条码扫描，扫描货架上的标签条码，RSSI记为0dBm。货架标签条码格式如（根据实际场景定义）：T-A1-2，统一为6个字符，且第2、5个字符为“-”。
3、一旦扫描到合法的货架条码标签，则程序自动进入“启动RFID识别”状态，开始接收识别到的标签EPC、RSSI、相位的数据，并进行第一层AI计算（粗筛）。
4、EPC号的前16位为商品SKU，在盘点过程中，新识别到的EPC号会被分门别类的放入不同的商品的SKU对应的EPC号列表中。为更好地指导现场盘点，在RFID盘点过程中，扫描枪屏幕上实时显示当前手持机面对的该品类商品识别到的总数。
5、盘点过程中可以随时选择保存当前盘点结果。输出的EXCEL表格，如图4所示：
图4
6、得到粗筛结果后，会进一步在后台跑CNN算法，计算出每个标签所在的位置。
7、为了方便后续的货架定位的校验，会在后台进一步整理数据，形成以下格式的报表：
图5
此方案的盘点率，经零售百货类门店实验，货架准确率可达95%以上，总盘准确率达100%。
3.CNN算法概述
一种基于深度卷积神经网络（CNN）的被动RFID标签定位方法，利用接收信号强度指示（RSSI）和到达相位差（PDOA）的联合网络打印特征。首先，从RFID阅读器的接收信号中提取RSSI和PDOA数据。然后，设计一个具有三个卷积层和池化层的CNN，将归一化的RSSI和PDOA数据形成图像作为输入，以训练目标阶段的权值。
在线阶段，收集测试标签的RSSI和PDOA数据，然后根据设计的CNN来预测未知标签的位置。在仿真过程中，将该方法与陆地算法、加权k最近邻（WKNN）和深度神经网络（DNN）等方案进行了精度比较，分析了不同网络指纹数据集和噪声方差对定位精度的影响。实验结果表明，该方法在复杂的室内环境中具有较高的定位精度和稳定性，且优于现有的其他方案。
3.1 定位系统体系结构
基于CNN的RFID定位系统架构，如图6所示：
图6
在此设计中，由8个RFID阅读器收集N个参考标签的原始RSSI和PDOA数据，并将原始RSSI和PDOA数据归一化，形成训练集S。
利用卷积神经网络对N个参考标签的训练集信息进行深度学习，然后利用BP算法，通过比较输出向量与目标向量的误差，对CNN的网络参数进行优化。在线测试阶段，收集测试标签的RSSI和PDOA数据，生成测试集，并通过CNN获得概率分布矩阵以实现定位。
基于CNN的方法，监督学习分别用于提取指纹数据库和在线指纹数据的特征。由于CNN对每组数据都有很好的拟合能力，因此根据所设计的CNN的特点确定标签位置坐标。与之前的方案相比，基于CNN的方法具有以下优点：
- 它具有优越的二维数据处理和学习能力，可以实现更高的定位精度。
- 每一层的参数都是共享的，因此训练时间比DNN和DBN等其他神经网络方法短。
- 在指纹数据集的收集中，参考标签可以重复使用，这节省了定位系统的成本，有助于资源的回收利用。
3.2 离线训练
CNN是一种具有权重共享网络结构的人工神经网络。它更类似于生物神经网络，有助于减少权重和网络模型的复杂性。当网络输入是多维图像时，这一优势更加明显。因此，图像可以直接用作网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。
作为一种专门为识别二维形状而设计的多层感知，CNN的网络结构对平移和尺度具有高度不变性。它的结构由卷积层、池化层和全连接层组成。使用设计的CNN模型的训练过程和参数，如图7所示：
图7
卷积层的操作，如图8所示：
图8
通过构建大小为32×32的RSSI和PDOA数据图像。CNN在卷积和池化层中处理图像很方便。对于第一卷积和池化层中的每个输入图像，我们使用大小为5×5的32个卷积核来获得大小为28×28的相同数量的特征图，这些特征图可以提取不同的特征。
为了解决梯度耗散和加速收敛问题，在卷积层和池化层之间添加了ReLU函数。为了减少训练数据并保证特征图的不变性，通过将大小为2×2的特征图池化，可以获得大小为14×14的相同数量的特征图。然后，通过实现另外两个卷积和池化层，如图8所示，我们获得了第三池化层的输出特征图，并将其用作全连接层的输入。
最后，我们使用公式从全连接层的输出中获得大小为1×N的概率分布向量，然后组合训练数据的标签，这可以用于基于BP算法的损失函数更新卷积核和偏差等训练权重。
3.3 位置估计
在线测试阶段，我们收集测试标签的RSSI/PDOA数据来生成测试图像。将测试图像作为CNN的输入，得到概率分布P。我们收集图像的每个测试标签，并得到一个概率分布矩阵P。为了高精度地估计标签位置，我们提出一种贪婪的方法来选择K个最大概率，并结合贴现因子来计算这些P的加权平均值，然后合并P的位置对应的参考标签作为测试标签的估计位置。
4.技术方案前景
随着应用次数的增多，CNN算法的运算，基于RSSI和相位的CNN无源RFID标签定位技术的准确率必将越来越好，前景非常广阔。
1、定位精度提高
通过利用CNN强大的数据处理能力，可以对RSSI和相位信息进行深度学习和特征提取，从而更准确地估计RFID标签与读写器之间的距离。
2、算法性能优化
CNN的引入可以加速定位算法的计算速度，减少计算资源消耗，提高系统的实时性和响应速度，使其适应不同的环境和应用场景。
3、应用范围拓展
精确的无源RFID标签定位技术可以广泛应用于仓储管理、图书管理等领域。例如，图书馆书籍错放的情况常有发生，对于图书管理是一个重要挑战。如果每本书籍都粘贴具有唯一ID的标签，那么通过RFID扫描枪的扫描获取各标签的相位数据，分析各标签的数值，就可以快速识别是否有书本错放。
但也面临着一些挑战，如环境噪声、信号干扰、多径效应等问题。因此，需要进一步加强技术研究和创新，优化算法设计和实现方式，提高系统的稳定性和可靠性，为物联网的业务应用场景构建提供强大的技术支持。
参考文献：Deep Convolutional Neural Network for Passive RFID Tag Localization Via Joint RSSI and PDOA Fingerprint Features
作者介绍
涂承烨，51CTO社区编辑，省政府采购专家、省综合性评标专家、公 E 采招标采购专家，获得信息系统项目管理师、信息系统监理师、PMP，CSPM-2等认证，拥有15年以上的开发、项目管理、咨询设计等经验。对项目管理、前后端开发、微服务、架构设计、物联网、大数据、咨询设计等较为关注。
