Formación de haces inteligente y lector basado en aprendizaje profundo para sistemas RFID en el edge del IoT

Por qué importan las etiquetas inalámbricas diminutas

Imagine que cada paquete, billete o vial médico lleve una etiqueta delgada como el papel que no requiere batería ni chip, y aun así pueda leerse de forma fiable en un almacén o hospital concurrido. Este artículo explora cómo lograr que esas etiquetas sencillas funcionen sin problemas en el mundo ruidoso y saturado del 5G y el Internet de las Cosas, dando más "inteligencia" al lector en lugar de a la propia etiqueta.

De etiquetas simples a un entorno inteligente

La identificación por radiofrecuencia, o RFID, ya impulsa tarjetas sin contacto y el seguimiento en almacenes. Las etiquetas RFID clásicas usan chips diminutos, que aumentan el coste y limitan lo barato y extendido que pueden ser. El RFID sin chip elimina el circuito y, en su lugar, codifica la información en cómo una superficie metálica con patrón refleja las ondas de radio, algo parecido a un espejo finamente afinado. Este enfoque promete etiquetas de coste ultrabajo, incluso desechables, que puedan imprimirse en envases, billetes o ropa. El desafío es que esos reflejos tenues deben distinguirse en un entorno saturado, donde el ruido, ángulos adversos y la deformación de la etiqueta pueden fácilmente estropear la señal.

Un código denso en una etiqueta minúscula

Los autores diseñan una etiqueta sin chip compacta que cabe en el tamaño de una pegatina pequeña y, sin embargo, almacena 24 bits de datos, suficiente para millones de identificadores únicos. La etiqueta está construida como una matriz de tiras metálicas en forma de T sobre un material de placa de circuito comercial. Cada tira actúa como una pequeña "tuning fork" radioeléctrica que elimina una estrecha porción del espectro reflejado en una frecuencia específica, creando una muesca o notch. Al determinar qué muescas están presentes o ausentes a lo largo de la banda de 4 a 6 gigahercios, la etiqueta forma un código digital. El diseño espacia cuidadosamente 24 de estas muescas a unos 80 megahercios de separación para que permanezcan distintivas, mientras que la colocación ingeniosa de las tiras limita el acoplamiento no deseado entre vecinas. Mediciones en una cámara anecoica confirman que la etiqueta real se corresponde estrechamente con las simulaciones, con las 24 muescas visibles y estables incluso cuando la etiqueta está ligeramente doblada o girada.

Moldeando las ondas de radio con antenas inteligentes

En lugar de depender de una sola antena, el lector en este estudio se concibe como una pequeña fila de antenas que actúan conjuntamente para dirigir un haz focalizado de energía radioeléctrica. Al ajustar cómo se suman las señales de cada antena, el lector puede concentrar potencia en una etiqueta y escuchar principalmente en esa dirección, como acoplar la mano alrededor de la oreja. Los modelos muestran que un arreglo de cuatro antenas utilizado tanto para transmitir como para recibir puede aumentar la señal útil en unos 10 a 12 decibelios en comparación con un único reflector. Esta ganancia casi duplica el alcance práctico de lectura de alrededor de 30 centímetros a aproximadamente 60 centímetros en condiciones similares, y también ayuda a suprimir las reflexiones de objetos cercanos y de otras etiquetas.

Dejar que la inteligencia artificial lea el código

Sobre este frente radioeléctrico focalizado, los autores añaden un decodificador ligero de aprendizaje profundo que se ejecuta en el edge de la red. En lugar de buscar manualmente cada muesca y aplicar umbrales fijos, alimentan el espectro corregido completo de 4 a 6 gigahercios a una red neuronal convolucional unidimensional. Este modelo aprende, a partir de miles de ejemplos medidos, cómo se presentan las respuestas reales de las etiquetas bajo ruido, pequeños desplazamientos de frecuencia y cambios de ángulo. Salida directamente el código de 24 bits en un solo paso. En comparación con un enfoque de aprendizaje automático más tradicional basado en características de muescas diseñadas a mano, la red neuronal eleva la precisión de lectura de bits individuales de aproximadamente un 93 por ciento a alrededor de un 96 por ciento, y hasta un 98 por ciento cuando se combina con el lector con haz dirigido. La probabilidad de recuperar el código completo de 24 bits sin un solo error también aumenta, desde aproximadamente un 73 por ciento con el método antiguo y antena única hasta cerca de un 86 por ciento con aprendizaje profundo y formación de haces.

Hacia objetos conectados inteligentes y de bajo coste

Para el público no especializado, el mensaje central es que el futuro del seguimiento de objetos puede residir en etiquetas muy simples, incluso desechables, emparejadas con lectores cada vez más inteligentes. Mediante el codiseño del patrón físico en la etiqueta, la matriz de antenas focalizadas en el lector y el software de aprendizaje profundo que interpreta la señal, este trabajo muestra un camino hacia una identificación fiable y de alta capacidad sin chips ni baterías en el propio objeto. Tales sistemas podrían integrarse algún día en redes 5G de edge para rastrear mercancías, apoyar embalajes inteligentes o monitorizar suministros médicos, manteniendo el hardware en el lado del objeto tan barato y pasivo como una etiqueta impresa.

Cita: 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

Palabras clave: RFID sin chip, formación de haces, aprendizaje profundo, 5G IoT, identificación inalámbrica