Inteligentne formowanie wiązki i czytnik oparty na głębokim uczeniu dla systemów RFID w brzegowym IoT

Dlaczego małe bezprzewodowe znaczniki są ważne

Wyobraź sobie, że każda paczka, bilet czy fiolka medyczna ma papierowo-cienką etykietę, która nie potrzebuje baterii ani układu scalonego, a mimo to można ją odczytać niezawodnie w zatłoczonym magazynie lub szpitalu. Artykuł ten bada, jak sprawić, by takie proste znaczniki działały płynnie w hałaśliwym, zatłoczonym środowisku 5G i Internetu Rzeczy, przenosząc więcej „inteligencji” do czytnika zamiast do samego znacznika.

Od prostych etykiet do inteligentnego otoczenia

Identyfikacja radiowa, czyli RFID, już dziś zasila karty zbliżeniowe i śledzenie w magazynach. Klasyczne znaczniki RFID używają malutkich układów scalonych, co zwiększa koszty i ogranicza możliwość taniego i szerokiego stosowania. Bezczipowe RFID usuwa układ scalony i zamiast tego koduje informację w sposobie, w jaki wzorzysta metalowa powierzchnia odbija fale radiowe, trochę jak precyzyjnie dostrojone lustro. Podejście to obiecuje bardzo tanie, wręcz jednorazowe znaczniki, które można nadrukować na opakowaniach, biletach czy odzieży. Wyzwanie polega na tym, że te słabe odbicia trzeba wyodrębnić z zakłóconego otoczenia, gdzie szum, niekorzystne kąty i odkształcenia znacznika mogą łatwo zniekształcić sygnał.

Gęsty kod na maleńkim znaczniku

Autorzy zaprojektowali kompaktowy bezczipowy znacznik mieszczący się w przybliżeniu w rozmiarze małej naklejki, a mimo to przechowujący 24 bity danych — wystarczająco dla milionów unikatowych identyfikatorów. Znacznik zbudowano jako układ pasków metalowych w kształcie litery T na komercyjnym materiale płytki drukowanej. Każdy pasek działa jak małe radiowe „stroik”, który usuwa wąski fragment odbitego spektrum na określonej częstotliwości, tworząc zagłębienie, czyli wcięcie. Poprzez decyzję, które wcięcia występują lub są nieobecne w paśmie 4–6 GHz, znacznik formuje kod cyfrowy. Układ starannie rozmieszcza 24 takie wcięcia w odstępach około 80 MHz, żeby pozostały rozróżnialne, a sprytne pozycjonowanie pasków ogranicza niepożądaną sprzężeniowość między sąsiadami. Pomiary w komorze bezechowej potwierdzają, że rzeczywisty znacznik ściśle odpowiada symulacjom — wszystkie 24 wcięcia są widoczne i stabilne nawet przy lekkim zgięciu lub obróceniu znacznika.

Kształtowanie fal radiowych za pomocą inteligentnych anten

Zamiast polegać na pojedynczej antenie, czytnik w tym badaniu zaprojektowano jako mały rząd anten, które współdziałają, by sterować skupioną wiązką energii radiowej. Poprzez regulację sposobu dodawania się sygnałów z każdej anteny czytnik może skoncentrować moc na jednym znaczniku i słuchać głównie w tym kierunku, jakby przytulał dłoń do ucha. Modelowanie pokazuje, że czteroelementowa matryca antenowa używana zarówno do nadawania, jak i odbioru może zwiększyć użyteczny sygnał o około 10–12 decybeli w porównaniu z pojedynczym rożkiem. Ten zysk niemal podwaja praktyczny zasięg odczytu z około 30 cm do około 60 cm w podobnych warunkach, a także pomaga tłumić odbicia od pobliskich obiektów i innych znaczników.

Pozwolić sztucznej inteligencji odczytywać kod

Na szczycie tego skupionego przedniego układu radiowego autorzy dodają lekkie dekodujące rozwiązanie oparte na głębokim uczeniu działające na brzegu sieci. Zamiast ręcznie wyszukiwać każde wcięcie i stosować stałe progi, całe poprawione spektrum od 4 do 6 GHz trafia do jednowymiarowej splotowej sieci neuronowej. Model uczy się na tysiącach zmierzonych przykładów, jak wyglądają rzeczywiste odpowiedzi znaczników w warunkach szumu, drobnych przesunięć częstotliwości i zmiennych kątów. Bezpośrednio w jednym kroku zwraca 24-bitowy kod. W porównaniu z bardziej tradycyjnym podejściem uczenia maszynowego opartym na ręcznie skonstruowanych cechach wcięć, sieć neuronowa podnosi dokładność odczytu poszczególnych bitów z około 93% do około 96%, a do nawet około 98% po połączeniu z czytnikiem formującym wiązkę. Szansa na odzyskanie całego 24-bitowego kodu bez ani jednego błędu również rośnie — z około 73% przy starszej metodzie i pojedynczej antenie do około 86% przy zastosowaniu zarówno głębokiego uczenia, jak i formowania wiązki.

W kierunku inteligentnych, tanich połączonych przedmiotów

Dla osób niebędących specjalistami główne przesłanie jest takie, że przyszłość śledzenia przedmiotów może leżeć w bardzo prostych, nawet jednorazowych znacznikach sparowanych ze stale inteligentniejszymi czytnikami. Poprzez wspólny projekt fizycznego wzoru na znaczniku, skupionej matrycy anten w czytniku oraz oprogramowania głębokiego uczenia interpretującego sygnał, praca ta pokazuje drogę do niezawodnej, wysokopojemnościowej identyfikacji bez układów scalonych i baterii w samym przedmiocie. Takie systemy mogłyby w przyszłości zintegrować się z sieciami 5G edge, by śledzić towary, wspierać inteligentne opakowania lub monitorować zapasy medyczne, przy zachowaniu prostoty i niskich kosztów sprzętu po stronie przedmiotu, porównywalnego z drukowaną etykietą.

Cytowanie: 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

Słowa kluczowe: bezczipowe RFID, formowanie wiązki, głębokie uczenie, 5G IoT, bezprzewodowa identyfikacja