Intelligente Strahlformung und Deep-Learning-Leser für RFID-Systeme im Edge-IoT

Warum winzige drahtlose Etiketten wichtig sind

Stellen Sie sich vor, jedes Paket, Ticket oder jede Medizinflasche trägt ein papierdünnes Etikett, das weder Batterie noch Chip benötigt und dennoch in einem geschäftigen Lager oder Krankenhaus zuverlässig gelesen werden kann. Dieser Artikel untersucht, wie solche einfachen Etiketten in der lauten, überfüllten Welt von 5G und dem Internet der Dinge reibungslos funktionieren können, indem die „Intelligenz“ eher dem Lesegerät als dem Etikett selbst gegeben wird.

Von einfachen Etiketten zu smarter Umgebung

Radio-Frequency Identification, kurz RFID, treibt bereits kontaktlose Karten und Lagerverfolgung an. Klassische RFID-Tags verwenden winzige Chips, die Kosten verursachen und begrenzen, wie preiswert und weit verbreitet sie eingesetzt werden können. Chipfreies RFID entfernt den Chip und kodiert stattdessen Informationen in der Art und Weise, wie eine gemusterte Metalloberfläche Radiowellen reflektiert – ein wenig wie ein fein abgestimmter Spiegel. Dieser Ansatz verspricht ultrakostengünstige, sogar wegwerfbare Etiketten, die auf Verpackungen, Tickets oder Kleidung gedruckt werden können. Die Herausforderung besteht darin, dass diese schwachen Reflexionen in einer unübersichtlichen Umgebung erkannt werden müssen, in der Rauschen, ungünstige Winkel und das Biegen des Etiketts das Signal leicht durcheinanderbringen können.

Ein dichter Code auf einem winzigen Etikett

Die Autoren entwerfen ein kompaktes chipfreies Etikett, das etwa die Größe eines kleinen Aufklebers hat und dennoch 24 Bits Daten speichert – genug für Millionen eindeutiger IDs. Das Etikett besteht aus einem Array von T-förmigen Metallstreifen auf handelsüblichem Leiterplattenmaterial. Jeder Streifen wirkt wie eine kleine Radio-„Stimmgabel“, die einen schmalen Abschnitt des reflektierten Spektrums bei einer bestimmten Frequenz entfernt und so eine Senke oder Notch erzeugt. Durch die Entscheidung, welche Notches im 4- bis 6-Gigahertz-Band vorhanden oder nicht vorhanden sind, bildet das Etikett einen digitalen Code. Das Layout trennt die 24 Notches möglichst gleichmäßig in Abständen von etwa 80 Megahertz, damit sie unterscheidbar bleiben, während eine clevere Positionierung der Streifen unerwünschte Kopplungen zwischen Nachbarn begrenzt. Messungen in einer anechoischen Kammer bestätigen, dass das reale Etikett den Simulationen sehr nahekommt, mit allen 24 sichtbaren Notches, die stabil bleiben, selbst wenn das Etikett leicht gebogen oder gedreht wird.

Formung von Funkwellen mit smarten Antennen

Anstatt sich auf eine einzelne Antenne zu verlassen, ist der Leser in dieser Studie als eine kleine Reihe von Antennen konzipiert, die gemeinsam wirken, um einen fokussierten Strahl elektromagnetischer Energie zu steuern. Durch Anpassung der Summierung der Signale jeder Antenne kann der Leser die Energie auf ein Etikett konzentrieren und hauptsächlich aus dieser Richtung horchen, ähnlich wie wenn man eine Hand an das Ohr hält. Modellierungen zeigen, dass ein Vier-Antennen-Array, das sowohl für Senden als auch Empfangen verwendet wird, das nutzbare Signal um etwa 10 bis 12 Dezibel gegenüber einem einzelnen Horn verstärken kann. Dieser Gewinn verdoppelt nahezu die praktische Lesereichweite von etwa 30 Zentimetern auf rund 60 Zentimeter unter ähnlichen Bedingungen und hilft außerdem, Reflexionen von nahegelegenen Objekten und anderen Etiketten zu unterdrücken.

Künstliche Intelligenz das Lesen des Codes überlassen

Oben auf diesem fokussierten Funk-Frontend setzen die Autoren einen leichtgewichtigen Deep-Learning-Decoder am Netzwerkrand ein. Anstatt manuell nach jeder Notch zu suchen und feste Schwellen anzuwenden, speisen sie das gesamte korrigierte Spektrum von 4 bis 6 Gigahertz in ein eindimensionales Convolutional Neural Network. Dieses Modell lernt aus tausenden gemessenen Beispielen, wie reale Etikettenantworten unter Rauschen, kleinen Frequenzverschiebungen und veränderten Winkeln aussehen. Es gibt in einem Schritt direkt den 24-Bit-Code aus. Im Vergleich zu einem traditionelleren Machine-Learning-Ansatz, der auf handgestalteten Notch-Features basiert, erhöht das neuronale Netz die Genauigkeit beim Lesen einzelner Bits von etwa 93 Prozent auf etwa 96 Prozent und sogar auf etwa 98 Prozent, wenn es mit dem strahlgelenkten Leser kombiniert wird. Die Wahrscheinlichkeit, den gesamten 24-Bit-Code fehlerfrei zu rekonstruieren, steigt ebenfalls – von etwa 73 Prozent mit der älteren Methode und einer Einzelantenne auf etwa 86 Prozent mit sowohl Deep Learning als auch Strahlformung.

Auf dem Weg zu smarten, kostengünstigen vernetzten Objekten

Für Nichtfachleute lautet die Kernbotschaft, dass die Zukunft der Objektverfolgung in sehr einfachen, sogar wegwerfbaren Etiketten liegen könnte, die mit zunehmend intelligenten Lesegeräten gekoppelt sind. Durch das gemeinsame Design des physischen Musters auf dem Etikett, des fokussierten Antennenarrays am Leser und der Deep-Learning-Software, die das Signal interpretiert, zeigt diese Arbeit einen Weg zu zuverlässiger, hochkapazitativer Identifikation ohne Chips oder Batterien am Objekt selbst. Solche Systeme könnten eines Tages in 5G-Edge-Netzwerke eingebettet werden, um Waren zu verfolgen, Smart Packaging zu unterstützen oder medizinische Vorräte zu überwachen, während die Hardware auf der Objektseite so billig und passiv bleibt wie ein gedrucktes Etikett.

Zitation: Mekki, K., Slimene, M.B., Neffati, S. et al. Smart beamforming and deep-learning reader for RFID systems in edge IoT. Sci Rep 16, 15720 (2026). https://doi.org/10.1038/s41598-026-43657-8

Schlüsselwörter: chipfreies RFID, Strahlformung, Deep Learning, 5G IoT, kabellose Identifikation