Smart beamforming och djupinlärningsläsare för RFID-system i edge-IoT

Varför små trådlösa etiketter spelar roll

Föreställ dig att varje paket, biljett eller medicinflaska bär en pappers­tunn etikett som inte behöver batteri eller chip, men ändå kan läsas pålitligt i ett hektiskt lager eller på ett sjukhus. Denna artikel undersöker hur man får sådana enkla etiketter att fungera smidigt i den bullriga, täta miljön i 5G och sakernas internet genom att lägga mer ”intelligens” i läsaren i stället för i själva etiketten.

Från enkla etiketter till smart omgivning

Radiofrekvensidentifiering, eller RFID, driver redan kontaktlösa kort och lagerhantering. Klassiska RFID-etiketter använder små chip, vilket ökar kostnaden och begränsar hur billigt och utbrett de kan användas. Chipfri RFID tar bort chippet och kodar i stället information i hur en mönstrad metallyta reflekterar radiovågor, lite som en finjusterad spegel. Detta tillvägagångssätt lovar mycket lågkostnads- eller till och med engångsetiketter som kan tryckas direkt på förpackningar, biljetter eller kläder. Utmaningen är att dessa svaga reflektioner måste plockas fram ur en rörig miljö, där brus, besvärliga vinklar och böjning av etiketten lätt kan störa signalen.

En tät kod på en liten etikett

Författarna utformar en kompakt chipfri etikett som ryms ungefär i storleken av en liten klisterlapp, men ändå lagrar 24 bitar data — tillräckligt för miljontals unika ID. Etiketten byggs som en matris av T-formade metallremsor på ett kommersiellt kretskorts­material. Varje remsa fungerar som en liten radiot ”stämgaffel” som tar bort en smal del av det reflekterade spektret vid en viss frekvens och skapar en dipp eller notch. Genom att bestämma vilka notch som är närvarande eller frånvarande över 4 till 6 gigahertz-bandet bildar etiketten en digital kod. Layouten placerar de 24 notcharna ungefär 80 megahertz från varandra så att de förblir distinkta, medan klurig positionering av remsorna begränsar oönskad koppling mellan grannarna. Mätningar i ett anekoisk kammare bekräftar att den verkliga etiketten stämmer väl med simuleringarna, med alla 24 notchar synliga och stabila även när etiketten är lätt böjd eller roterad.

Formning av radiovågor med smarta antenner

I stället för att förlita sig på en enda antenn är läsaren i denna studie konstruerad som en liten rad av antenner som arbetar tillsammans för att rikta en fokuserad stråle av radioenergi. Genom att justera hur signalerna från varje antenn adderas kan läsaren koncentrera kraften på en etikett och lyssna huvudsakligen i den riktningen, som att kupa en hand runt örat. Modellering visar att en fyrantennsarray, använd för både sändning och mottagning, kan förstärka den användbara signalen med cirka 10 till 12 decibel jämfört med en enda hornantenn. Denna vinst fördubblar i praktiken läsavståndet från runt 30 centimeter till ungefär 60 centimeter under liknande förhållanden, och hjälper också till att dämpa reflektioner från närliggande föremål och andra etiketter.

Låta artificiell intelligens läsa koden

Ovanpå detta fokuserade radio­frontslut lägger författarna en lättvikts djupinlärningsdekoder som körs i nätverkets edge. I stället för att manuellt söka efter varje notch och tillämpa fasta trösklar matar de hela det korrigerade spektret från 4 till 6 gigahertz in i ett endimensionellt konvolutionellt neuralt nätverk. Denna modell lär sig, från tusentals uppmätta exempel, hur verkliga etikettsvar ser ut under brus, små frekvensskift och varierande vinklar. Den ger direkt ut den 24-bitarskoden i ett steg. Jämfört med en mer traditionell maskininlärningsmetod baserad på handgjorda notch-egenskaper höjer det neurala nätverket läsnoggrannheten för individuella bitar från cirka 93 procent till cirka 96 procent, och upp till omkring 98 procent när det kombineras med den strålformade läsaren. Sannolikheten att återställa hela 24-bitarskoden utan ett enda fel ökar också, från ungefär 73 procent med den äldre metoden och en enkel antenn till cirka 86 procent med både djupinlärning och beamforming.

Mot smarta, lågkostnads uppkopplade föremål

För icke-specialister är huvudbudskapet att framtidens objekts­spårning kan ligga i mycket enkla, till och med engångsetiketter i kombination med allt smartare läsare. Genom att samordna den fysiska mönstringen på etiketten, den fokuserade antennarrayen på läsaren och djupinlärnings­programvaran som tolkar signalen visar detta arbete en väg till pålitlig, högkapacitetsidentifiering utan chip eller batterier på föremålet självt. Sådana system skulle en dag kunna integreras i 5G-edge­nätverk för att spåra varor, stödja smart förpackning eller övervaka medicinska förnödenheter, samtidigt som objektets hårdvara hålls så billig och passiv som en tryckt etikett.

Citering: 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

Nyckelord: chipfri RFID, beamforming, djupinlärning, 5G IoT, trådlös identifiering