作者 | 涂承燁

審校 | 重樓

使用基于RSSI和PDOA的CNN無源RFID標簽定位技術

1.零售店之貨物盤點

夜幕降臨，城市的霓虹燈漸漸亮起，一家位于繁華商圈的零售店內卻異常安靜。店內的燈光柔和而明亮，照亮了整個空間，將每一寸貨架、每一排商品都映照得清晰可見。空氣中彌漫著淡淡的清潔劑的香味，與店外喧囂的都市氣息形成鮮明對比。

此刻，零售店的員工們正忙碌地進行著盤點工作。他們身穿統一的制服，手持掃描槍，在貨架間穿梭。每當掃描槍發出“嘀”的一聲，商品的信息便迅速被錄入系統，貨架上的庫存量也隨之更新。整個盤點過程嚴謹而有序，每一位員工都全神貫注，確保數據的準確性。

在貨架的盡頭，店長正站在一臺電腦前，注視著屏幕上的數據變化。他的眼神專注而堅定，仿佛在審視著整個店鋪的運營狀況。他的手中不時地翻閱著記錄本，對每一個細節都嚴格把控。他的身邊，幾位助手正忙碌地整理著資料，為店長的決策提供有力支持。

隨著盤點工作的深入進行，店鋪內的氛圍也愈發緊張。但在這份緊張中，卻透露出一絲有條不紊的秩序感。員工們之間的默契配合、店長的精準指揮，都讓這個看似繁瑣的盤點過程變得高效而流暢。

當最后一件商品被掃描完畢，店內的燈光逐漸暗下。店外，天漸漸亮了，一絲魚肚白悄然出現在東方的天際。這是新的一天開始的信號，也是新的挑戰的一天的到來。

什么時候月度盤點不再需通宵達旦，這是不是奢想呢？

圖1

2.快速盤點不再是奢想

對于每個貨位/貨架，如何做到又快、又準的盤點呢？

基于RSSI和相位值的CNN無源RFID標簽定位技術，可以做到！

首先了解以下兩個概念：

2.1 RSSI的概念

RSSI（Received Signal Strength Indication），即接收信號強度指示，是無線發送層的可選部分，用來判定鏈接質量，以及是否增大廣播發送強度。

在實際使用中，RSSI是負值的。因為無線信號多為mW級別，所以對它進行了極化，轉化為dBm，不表示信號是負的。1mW等于0dBm，小于1mW表示負數的dBm。

dBm值最大為0，表示接收方把發射方發射的所有無線信號都接收到了，即無線路由器發射多少功率，接收的無線網卡就獲得多少功率。當然這是理想狀態的測量值。

RSSI通過接收到的信號強弱來測定信號點與接收點的距離，進而根據相應數據進行定位計算。

2.2 PDOA的概念

PDOA（Phase-Difference-of-Arrival），常規叫法是信號到達相位差PDOA測距算法，或者說接收信號相位差PDOA定位算法，也是一種室內定位算法，通過測量相位差求出信號往返的傳播時間來計算往返距離。

了解了上面這兩個基本概念，那如何應用到RFID標簽的快速、準確盤點中呢？

2.3 兩個實驗數據

經過實驗，可知：

1、RFID標簽到RFID掃描槍之間的距離越小，得到的標簽RSSI越大。所以，當RFID掃描槍垂直經過標簽時，距離最短，此時標簽應有最大RSSI值。對應地，連續掃描過程中RSSI值最大的時刻，標簽恰好到達與天線垂直的位置。某大學的實驗數值，如圖2所示：

圖2

在RFID掃描槍由遠及近再遠離的移動過程中，距離先減后增，所以相位值也先減后增，在垂直點處有最小值，整體呈V型。因此，根據標簽相位到達最小值的順序就能夠判斷標簽之間的相對位置關系。某大學的實驗數值，如圖3所示：

圖3

因此，通過對某個RFID標簽的RSSI和相位值進行判斷。RSSI值越大，同時相位值越小，可判定標簽可能所處的貨位區域。

2.4 輕量級的RFID標簽盤點方案

1、在貨位/貨架的某個位置，粘貼上普通的條碼標簽，作為參考標簽。

2、手持RFID掃描槍啟動條碼掃描，掃描貨架上的標簽條碼，RSSI記為0dBm。貨架標簽條碼格式如（根據實際場景定義）：T-A1-2，統一為6個字符，且第2、5個字符為“-”。

3、一旦掃描到合法的貨架條碼標簽，則程序自動進入“啟動RFID識別”狀態，開始接收識別到的標簽EPC、RSSI、相位的數據，并進行第一層AI計算（粗篩）。

4、EPC號的前16位為商品SKU，在盤點過程中，新識別到的EPC號會被分門別類的放入不同的商品的SKU對應的EPC號列表中。為更好地指導現場盤點，在RFID盤點過程中，掃描槍屏幕上實時顯示當前手持機面對的該品類商品識別到的總數。

5、盤點過程中可以隨時選擇保存當前盤點結果。輸出的EXCEL表格，如圖4所示：

圖4

6、得到粗篩結果后，會進一步在后臺跑CNN算法，計算出每個標簽所在的位置。

7、為了方便后續的貨架定位的校驗，會在后臺進一步整理數據，形成以下格式的報表：

圖5

此方案的盤點率，經零售百貨類門店實驗，貨架準確率可達95%以上，總盤準確率達100%。

3.CNN算法概述

一種基于深度卷積神經網絡（CNN）的被動RFID標簽定位方法，利用接收信號強度指示（RSSI）和到達相位差（PDOA）的聯合網絡打印特征。首先，從RFID閱讀器的接收信號中提取RSSI和PDOA數據。然后，設計一個具有三個卷積層和池化層的CNN，將歸一化的RSSI和PDOA數據形成圖像作為輸入，以訓練目標階段的權值。

在線階段，收集測試標簽的RSSI和PDOA數據，然后根據設計的CNN來預測未知標簽的位置。在仿真過程中，將該方法與陸地算法、加權k最近鄰（WKNN）和深度神經網絡（DNN）等方案進行了精度比較，分析了不同網絡指紋數據集和噪聲方差對定位精度的影響。實驗結果表明，該方法在復雜的室內環境中具有較高的定位精度和穩定性，且優于現有的其他方案。

3.1 定位系統體系結構

基于CNN的RFID定位系統架構，如圖6所示：

圖6

在此設計中，由8個RFID閱讀器收集N個參考標簽的原始RSSI和PDOA數據，并將原始RSSI和PDOA數據歸一化，形成訓練集S。

利用卷積神經網絡對N個參考標簽的訓練集信息進行深度學習，然后利用BP算法，通過比較輸出向量與目標向量的誤差，對CNN的網絡參數進行優化。在線測試階段，收集測試標簽的RSSI和PDOA數據，生成測試集，并通過CNN獲得概率分布矩陣以實現定位。

基于CNN的方法，監督學習分別用于提取指紋數據庫和在線指紋數據的特征。由于CNN對每組數據都有很好的擬合能力，因此根據所設計的CNN的特點確定標簽位置坐標。與之前的方案相比，基于CNN的方法具有以下優點：

• 它具有優越的二維數據處理和學習能力，可以實現更高的定位精度。
• 每一層的參數都是共享的，因此訓練時間比DNN和DBN等其他神經網絡方法短。
• 在指紋數據集的收集中，參考標簽可以重復使用，這節省了定位系統的成本，有助于資源的回收利用。

3.2 離線訓練

CNN是一種具有權重共享網絡結構的人工神經網絡。它更類似于生物神經網絡，有助于減少權重和網絡模型的復雜性。當網絡輸入是多維圖像時，這一優勢更加明顯。因此，圖像可以直接用作網絡的輸入，避免了傳統識別算法中復雜的特征提取和數據重建過程。
作為一種專門為識別二維形狀而設計的多層感知，CNN的網絡結構對平移和尺度具有高度不變性。它的結構由卷積層、池化層和全連接層組成。使用設計的CNN模型的訓練過程和參數，如圖7所示：

圖7

卷積層的操作，如圖8所示：

圖8

通過構建大小為32×32的RSSI和PDOA數據圖像。CNN在卷積和池化層中處理圖像很方便。對于第一卷積和池化層中的每個輸入圖像，我們使用大小為5×5的32個卷積核來獲得大小為28×28的相同數量的特征圖，這些特征圖可以提取不同的特征。

為了解決梯度耗散和加速收斂問題，在卷積層和池化層之間添加了ReLU函數。為了減少訓練數據并保證特征圖的不變性，通過將大小為2×2的特征圖池化，可以獲得大小為14×14的相同數量的特征圖。然后，通過實現另外兩個卷積和池化層，如圖8所示，我們獲得了第三池化層的輸出特征圖，并將其用作全連接層的輸入。

最后，我們使用公式從全連接層的輸出中獲得大小為1×N的概率分布向量，然后組合訓練數據的標簽，這可以用于基于BP算法的損失函數更新卷積核和偏差等訓練權重。

3.3 位置估計

在線測試階段，我們收集測試標簽的RSSI/PDOA數據來生成測試圖像。將測試圖像作為CNN的輸入，得到概率分布P。我們收集圖像的每個測試標簽，并得到一個概率分布矩陣P。為了高精度地估計標簽位置，我們提出一種貪婪的方法來選擇K個最大概率，并結合貼現因子來計算這些P的加權平均值，然后合并P的位置對應的參考標簽作為測試標簽的估計位置。

4.技術方案前景

隨著應用次數的增多，CNN算法的運算，基于RSSI和相位的CNN無源RFID標簽定位技術的準確率必將越來越好，前景非常廣闊。

1、定位精度提高

通過利用CNN強大的數據處理能力，可以對RSSI和相位信息進行深度學習和特征提取，從而更準確地估計RFID標簽與讀寫器之間的距離。

2、算法性能優化

 CNN的引入可以加速定位算法的計算速度，減少計算資源消耗，提高系統的實時性和響應速度，使其適應不同的環境和應用場景。

3、應用范圍拓展

精確的無源RFID標簽定位技術可以廣泛應用于倉儲管理、圖書管理等領域。例如，圖書館書籍錯放的情況常有發生，對于圖書管理是一個重要挑戰。如果每本書籍都粘貼具有唯一ID的標簽，那么通過RFID掃描槍的掃描獲取各標簽的相位數據，分析各標簽的數值，就可以快速識別是否有書本錯放。

但也面臨著一些挑戰，如環境噪聲、信號干擾、多徑效應等問題。因此，需要進一步加強技術研究和創新，優化算法設計和實現方式，提高系統的穩定性和可靠性，為物聯網的業務應用場景構建提供強大的技術支持。

參考文獻：Deep Convolutional Neural Network for Passive RFID Tag Localization Via Joint RSSI and PDOA Fingerprint Features

作者介紹

涂承燁，51CTO社區編輯，省政府采購專家、省綜合性評標專家、公 E 采招標采購專家，獲得信息系統項目管理師、信息系統監理師、PMP，CSPM-2等認證，擁有15年以上的開發、項目管理、咨詢設計等經驗。對項目管理、前后端開發、微服務、架構設計、物聯網、大數據、咨詢設計等較為關注。