用于边缘物联网的智能波束形成与深度学习RFID读取器

微小无线标签为何重要

想象一下，每个包裹、票据或药剂小瓶都贴有一张薄如纸的标签，不需电池或芯片，却能在繁忙的仓库或医院中被可靠读取。本文探讨了如何让这种简单标签在嘈杂、拥挤的5G和物联网环境中平稳工作——方法是把更多“智能”放在读取器端，而不是标签本身。

从简单标签到智能环境

射频识别（RFID）已经为非接触式卡片和仓库追踪提供支持。传统RFID标签使用微小芯片，这增加了成本并限制了其广泛廉价使用的可能。无芯片RFID去掉芯片，而是通过具有图案的金属表面如何反射无线电波来编码信息，有点像精细调谐的镜面。这种方法有望实现超低成本、甚至一次性标签，可以印刷在包装、票据或服装上。挑战在于，这些微弱的反射必须从复杂环境中分辨出来——噪声、尴尬的角度和标签弯曲都可能轻易扰乱信号。

微小标签上的密集编码

作者设计了一种紧凑的无芯片标签，尺寸相当于小贴纸，可存储24位数据，足以表示数百万个唯一ID。该标签由印制电路板材料上的T形金属条阵列构成。每条金属条像一个微小的无线电“音叉”，在特定频率上从反射频谱中去掉一小段，从而产生一个凹陷或陷波。通过决定哪些陷波在4到6千兆赫带宽内存在或缺失，标签形成数字编码。布局将24个陷波大致以80兆赫的间隔排列以保持彼此可区分，同时通过巧妙布置限制相邻条之间的不良耦合。暗室测量验证了实际标签与仿真高度一致，全部24个陷波可见且稳定，即使标签轻微弯曲或旋转也如此。

用智能天线塑造无线电波

研究中的读取器不是依赖单一天线，而是由一排小天线协同工作以引导聚焦的无线能量波束。通过调整各天线信号的叠加方式，读取器可以将能量集中到单个标签并主要在该方向上接收，就像用手捂住耳朵一样。建模显示，用于发射和接收的四天线阵列相比单个喇叭天线可提升约10到12分贝的有用信号。这种增益在类似条件下将实际读取距离从约30厘米几乎翻倍到约60厘米，并有助于抑制来自附近物体和其他标签的反射。

让人工智能读取编码

在这个聚焦的射频前端之上，作者加入了在网络边缘运行的轻量级深度学习解码器。他们没有手动查找每个陷波并应用固定阈值，而是将经校正的整个4到6千兆赫频谱输入到一维卷积神经网络中。该模型从数千个测量样本中学习实标签响应在噪声、小频移和角度变化下的表现，并一步输出24位代码。与基于手工陷波特征的传统机器学习方法相比，神经网络将单个位的读取准确率从约93%提高到约96%，当与波束赋形读取器结合时可提升到约98%。完整无错恢复整个24位代码的概率也从使用旧方法与单天线时的大约73%上升到同时采用深度学习和波束形成时的大约86%。

迈向智能、低成本的连接物件

对非专业读者来说，核心观点是：物品跟踪的未来可能在于非常简单、甚至一次性的标签与日益智能的读取器配合。通过对标签的物理图案、读取器上的聚焦天线阵列以及解释信号的深度学习软件共同设计，本文展示了一条在物件本身不带芯片或电池的情况下实现可靠、高容量识别的路径。这类系统未来可融入5G边缘网络，以跟踪货物、支持智能包装或监控医疗物资，同时保持物件端硬件像印刷标签一样廉价且被动。

引用: 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

关键词: 无芯片RFID, 波束形成, 深度学习, 5G物联网, 无线识别