Умная фокусировка луча и декодер на основе глубокого обучения для RFID-систем в периферийном IoT

Почему важны крошечные беспроводные метки

Представьте, что каждая посылка, билет или медицинская ампула несёт бумажно-тонкую этикетку, которой не нужна батарейка или чип, но которую по‑прежнему можно надежно считать в загруженном складе или больнице. В этой работе рассматривается, как заставить такие простые метки работать уверенно в шумном, переполненном мире 5G и Интернета вещей, передавая «интеллект» устройству считывания, а не метке самой по себе.

От простых ярлыков к интеллектуальной среде

Радиочастотная идентификация, RFID, уже лежит в основе бесконтактных карт и складского учёта. Классические RFID-метки используют микрочипы, что увеличивает стоимость и ограничивает возможность массового дешёвого применения. Бесчиповый RFID устраняет чип и вместо этого кодирует информацию способом, которым узорчатая металлическая поверхность отражает радиоволны — немного как точно настроенное зеркало. Такой подход обещает сверхдешёвые, даже одноразовые метки, которые можно печатать на упаковке, билетах или одежде. Проблема в том, что эти слабые отражения нужно выделять на фоне загромождённой обстановки, где шум, неудобные углы и деформация метки легко искажают сигнал.

Плотный код на крошечной метке

Авторы разработали компактную бесчиповую метку размером примерно с небольшую наклейку, которая вмещает 24 бита данных — достаточно для миллионов уникальных идентификаторов. Метка выполнена как массив T‑образных металлических полосок на коммерческом печатном материале. Каждая полоска действует как миниатюрная радиорезонансная «настройка», вырезая узкую полосу из отражённого спектра на определённой частоте, создавая впадину или нотч. Путём определения присутствия или отсутствия нотчей в диапазоне от 4 до 6 гигагерц формируется цифровой код. Расположение организовано так, чтобы 24 нотчи были разделены примерно на 80 мегагерц, оставаясь различимыми, а продуманная расстановка полос снижает нежелательное взаимное влияние соседей. Измерения в бесэховой камере подтверждают, что реальная метка близка к моделям: все 24 нотча видны и стабильны даже при лёгком изгибе или повороте метки.

Формирование радиоволн с помощью интеллектуальных антенн

Вместо того чтобы полагаться на одну антенну, считыватель в этом исследовании спроектирован как небольшой ряд антенн, действующих совместно для управления сфокусированным лучом радиочастотной энергии. Корректируя суммирование сигналов от каждой антенны, считыватель может сконцентрировать мощность на одной метке и в основном слушать в этом направлении — как подручное «прижимание уха рукой». Моделирование показывает, что четырёхантеннный массив, используемый для передачи и приёма, может увеличить полезный сигнал примерно на 10–12 дБ по сравнению с одной рупорной антенной. Этот прирост почти удваивает практическую дальность считывания — примерно с 30 см до около 60 см в схожих условиях — и помогает подавлять отражения от близлежащих объектов и других меток.

Доверить расшифровку коду искусственному интеллекту

Поверх этого сфокусированного радиофронта авторы добавляют лёгкий декодер на основе глубокого обучения, выполняющийся на периферии сети. Вместо ручного поиска каждой нотчи и применения фиксированных порогов, они подают весь скорректированный спектр от 4 до 6 гигагерц в одномерную сверточную нейронную сеть. Модель обучается на тысячах измеренных примеров, чтобы понять, как реальные отклики метки выглядят в шуме, при небольших смещениях частоты и изменении угла. Она сразу выдаёт 24‑битный код в одном шаге. По сравнению с более традиционным подходом машинного обучения на основе вручную выделенных признаков нотч, нейросеть повышает точность чтения отдельных битов примерно с 93% до около 96%, и до примерно 98% при комбинировании с лучевой антенной системой. Вероятность восстановления полного 24‑битного кода без ни одной ошибки также растёт: примерно с 73% для старого метода с одной антенной до около 86% при использовании и глубокого обучения, и формирования луча.

К пути к умным недорогим подключённым объектам

Для неспециалистов ключевая идея такова: будущее отслеживания объектов может заключаться в очень простых, даже одноразовых метках в сочетании с всё более «умными» считывателями. Совместная проработка физического узора на метке, сфокусированного антенного массива у считывателя и программного обеспечения глубокого обучения, интерпретирующего сигнал, показывает путь к надёжной идентификации с высокой ёмкостью без чипов и батарей на самом объекте. Такие системы однажды смогут органично вписаться в 5G‑периферийные сети для отслеживания товаров, поддержки умной упаковки или мониторинга медицинских запасов, сохраняя аппаратную сторону предмета такой же дешёвой и пассивной, как печатная этикетка.

Цитирование: 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

Ключевые слова: бесчиповый RFID, формирование луча, глубокое обучение, 5G IoT, беспроводная идентификация