Beamforming intelligente e lettore con deep learning per sistemi RFID nell'edge IoT

Perché le etichette wireless minuscole sono importanti

Immaginate che ogni pacco, biglietto o fiala medica abbia un'etichetta sottile come carta che non richiede né batteria né chip, eppure possa essere letta in modo affidabile in un magazzino o in un ospedale affollato. Questo articolo esplora come far funzionare senza intoppi tali etichette semplici nel mondo rumoroso e affollato del 5G e dell'Internet delle Cose, trasferendo più "intelligenza" al lettore invece che all'etichetta stessa.

Da etichette semplici a un ambiente intelligente

L'identificazione a radiofrequenza, o RFID, alimenta già carte contactless e tracciamento in magazzino. I tag RFID classici usano piccoli chip, che aumentano i costi e limitano quanto economicamente possano essere diffusi. L'RFID senza chip elimina il circuito integrato e codifica invece l'informazione nel modo in cui una superficie metallica a motivo riflette le onde radio, un po' come uno specchio finemente accordato. Questo approccio promette etichette a bassissimo costo, anche usa e getta, che possono essere stampate su imballaggi, biglietti o indumenti. La sfida è che questi deboli segnali riflessi devono essere estratti da un ambiente complesso, dove rumore, angoli sfavorevoli e piegature dell'etichetta possono facilmente corrompere il segnale.

Un codice denso su un'etichetta minuscola

Gli autori progettano un'etichetta chipless compatta che misura circa le dimensioni di un piccolo adesivo, ma immagazzina 24 bit di dati, sufficienti per milioni di ID unici. L'etichetta è costruita come un array di strisce metalliche a forma di T su un materiale per circuiti commerciale. Ogni striscia agisce come una piccola "forchetta" di risonanza radio che rimuove una sottile porzione dallo spettro riflesso a una frequenza specifica, creando una tacca, o notch. Decidendo quali notch sono presenti o assenti nell'intervallo da 4 a 6 gigahertz, l'etichetta forma un codice digitale. La disposizione spazia con cura i 24 notch a circa 80 megahertz l'uno dall'altro in modo che rimangano distinti, mentre un posizionamento intelligente delle strisce limita l'accoppiamento indesiderato tra vicini. Misure in una camera anecoica confermano che l'etichetta reale corrisponde strettamente alle simulazioni, con tutti i 24 notch visibili e stabili anche quando l'etichetta è leggermente piegata o ruotata.

Modellare le onde radio con antenne intelligenti

Invece di fare affidamento su una singola antenna, il lettore in questo studio è concepito come una piccola fila di antenne che agiscono insieme per indirizzare un fascio focalizzato di energia radio. Regolando come i segnali di ciascuna antenna si sommiano, il lettore può concentrare la potenza su un'etichetta e ascoltare principalmente in quella direzione, come se si coprisse l'orecchio con una mano. Le modellazioni mostrano che un array di quattro antenne usato sia per trasmettere sia per ricevere può aumentare il segnale utile di circa 10–12 decibel rispetto a un singolo corno. Questo guadagno quasi raddoppia la portata pratica di lettura da circa 30 centimetri a circa 60 centimetri in condizioni simili, e aiuta anche a sopprimere riflessioni da oggetti vicini e altre etichette.

Lasciare che l'intelligenza artificiale legga il codice

Oltre a questo front end radio focalizzato, gli autori aggiungono un decodificatore leggero basato su deep learning che opera ai margini della rete. Invece di cercare manualmente ogni notch e applicare soglie fisse, essi alimentano l'intero spettro corretto da 4 a 6 gigahertz in una rete neurale convoluzionale monodimensionale. Questo modello impara, da migliaia di esempi misurati, come appaiono le risposte reali dei tag in presenza di rumore, piccoli spostamenti di frequenza e variazioni di angolazione. Produce direttamente il codice a 24 bit in un unico passaggio. Rispetto a un approccio di machine learning più tradizionale basato su caratteristiche artigianali dei notch, la rete neurale aumenta l'accuratezza di lettura dei singoli bit da circa il 93% a circa il 96%, e fino a circa il 98% se combinata con il lettore con beam steering. La probabilità di recuperare l'intero codice a 24 bit senza errori sale anch'essa, da circa il 73% con il metodo più vecchio e l'antenna singola a circa l'86% con deep learning e beamforming.

Verso oggetti connessi intelligenti e a basso costo

Per i non specialisti, il messaggio principale è che il futuro del tracciamento degli oggetti potrebbe risiedere in etichette molto semplici, anche usa e getta, abbinate a lettori sempre più intelligenti. Co-progettando il motivo fisico sull'etichetta, l'array di antenne focalizzate sul lettore e il software deep learning che interpreta il segnale, questo lavoro mostra una strada verso un'identificazione affidabile e ad alta capacità senza chip o batterie sull'oggetto stesso. Tali sistemi potrebbero un giorno integrarsi nelle reti 5G edge per tracciare merci, supportare imballaggi intelligenti o monitorare forniture mediche, mantenendo l'hardware lato oggetto economico e passivo come un'etichetta stampata.

Citazione: 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

Parole chiave: RFID senza chip, beamforming, deep learning, 5G IoT, identificazione wireless