近期，智次方·物联网智库有机会采访到了来自剑桥大学的傅哲博士和在读博士生刘铮，他们为我们分享了团队在RFID领域所做的一系列前沿工作。
2017年时，专业的工具制造商史丹利百得(Stanley Black&Decker)旗下子公司CribMaster通过使用跟踪解决方案商PervasID的技术，推出了具有内置库存和工具跟踪功能的“世界上最精确的智能工具柜”。基于PervasID所提供的RFID阅读器，智能工具柜中每一个使用无源RFID标签的工具(最多500个)，都可以在几秒钟内被跟踪。
据估计，对于航空业来说，异物碎片(FOD)每年造成的直接和间接成本为130亿美元，其中包括航班延误、飞机更换和燃油效率低下。因此，对每一种工具进行跟踪是非常必要的，而该解决方案通过提供高达99.9%的实时准确性，可以确保工具都在柜里而不是落在飞机上，极大地减少了航空业中由异物碎片引起的问题。目前，北美最大飞机制造商之一已将该方案部署在了数百架飞机上。
除了航空业的应用之外，RFID在其他诸多领域也在大放异彩，对于与制造、零售和物流息息相关的仓储来说，将RFID技术和产品用于库存跟踪、盘点和资产管理的自动化，将对行业起到革命性的颠覆作用，进而实现传统工厂和仓库的数字化管理和智能化升级。
RFID让仓储环境再无死角
在目前的仓储场景下，快递或货品的包装上多是二维码和条形码，对货物进行定位和轨迹规划的前提是对这些码的精确识别。目前，行业使用最多的识别方式还是有源设备或视觉系统，但存在费用较高且需要定时维护的问题。尤其是对于视觉系统来说，最大的弊端在于如果出现了遮挡或者多个货品叠放的情况，或是标签受到污染或者损坏，摄像头的识别就会受到极大的限制，如现在制造业中大火的“黑灯工厂”，在没有光线或是昏暗的情况下，摄像头的稳定性将受到极大的挑战问。
相比之下，如果使用无源RFID标签就可以最大程度的避免这种情况的出现。通常，RFID系统由读写器、电子标签和数据管理系统三部分组成，对于RFID标签来说，其不仅有一定的穿透性，而且具有条形码等所不具备的防水、防磁、耐高温、使用寿命长、读取距离远、标签数据可以加密、存储数据容量大、存储信息自如等优点，也不会受到光线的限制。同时，无源RFID标签最大的优势在于其非常便宜而且无需维护，在这种情况下还依然能实现相对高精度的定位。因此，无源RFID标签不仅在仓储环境中可以被大量使用，未来在其他场景中也将大有可为。
据剑桥大学博士生刘铮介绍，他们团队的主要研究方向是利用无源RFID结合机器人的方案来进行高精度室内定位。在实验室环境中，团队成员模拟了仓储的环境，而且考虑到实际仓储环境的面积通常较大，如果使用传统布置固定式天线的方法，所需的天线数量会非常多，导致成本上升，布线也会十分麻烦。因此，该团队开创性地设计了一个移动机器人平台，可以让该平台搭载RFID的相关设备，通过不断在仓储环境中巡检来收集信息。
从上图中可以看到，移动机器人平台的最底部搭载了电池，可以为整个设备供电，在电池的上面安装了树莓派控制板，能控制移动机箱、小车、相应的读写器、天线以及设备，在树莓派的上面则是用来读取无源RFID标签信息的读写器，此外，小车本身也有一些传感器，如激光测距雷达，可以测量小车与环境的一些距离信息。
在移动机器人平台的最上方，团队成员为其安装了射频天线，最多可以支持四根。在模拟仓储的空间中，团队人员在不同位置放置了一些无源RFID 标签，部分可用做公共参考标签，其他标签则可以贴在要追踪的货品上面作为目标标签。此外，该平台还可以连接到本地的网络当中，使得移动机器人平台可以通过网络被远程操控。
在研发出这款移动机器人平台之后，该团队还基于平台研发出了针对不同场景的全新定位算法，如：ISAR-SAR定位算法、基于k值的定位算法、基于几何关系的定位算法，基于GNN模型的算法等，以此实现对目标的高精度定位和追踪。
多种算法助力高精度定位
在高精度定位方面，一直有两方面问题亟待解决。首先是要清楚知道移动机器人平台本身的位置，只有这样才能进行路径规划和决策，这也是目前很多独角兽公司重点投入的方向；其次，标签的位置也很重要，可以通过移动机器人平台的移动轨迹来预测标签的位置。刘铮博士为我们分享的四种定位算法均在解决这两个问题上产生了突破性进展：
ISAR-SAR定位算法
该算法利用低成本的无源RFID 标签来计算移动平台的轨迹，再用环境中的参考标签来衡量轨迹的匹配度，最后使用估测出的轨迹对目标标签进行定位。在这个算法当中，最核心的就是SAR（合成孔径雷达）算法，可以在移动平台沿着已知轨迹前进的过程当中，不断地对目标标签进行读写，从而获得相位等一系列信息，由此计算出目标标签在空间中某位置的概率热图。通过SAR算法，可以得到一个相对较高的定位精度，但缺点是需要测量移动平台的轨迹，而这些轨迹通常需要一些额外的设备或使用SLAM算法等方式来得到。
针对SAR算法的这个缺点，该团队还提出了ISAR（逆合成孔径雷达）算法，通过铺设位置已知的无源参考标签来计算下一时刻移动平台在各个位置出现的概率，并将最大的概率值设定为估算位置，通过不断重复这些步骤，进而得到一条完整的估测路径。当有了这条预估的路径之后，还可以利用参考标签对估测轨迹进行评估，并使用ISAR-SAR 循环算法继续进行优化，通过不断调整算法的参数来得到最优路径，以此对目标标签进行定位，从而进一步降低定位误差。
基于k值的定位算法
当移动平台向前移动的过程中经过标签时，相位通常会呈现出某种周期性的变化，通过对相位进行解缠并拟合曲线，也可以用来确定位置。获取相位和RSSI信息后，通过接收到的RSSI的强度，可以衡量接受到的信号稳定与否，从而获取有效的数据集。获取到有效的数据集之后，目标标签平行于轨迹的位置可以通过分析相位曲线的驻点并结合移动机器人位置计算得出。垂直于轨迹的位置可以通过调整k 参数获得。相比于之前的算法，基于k值的定位算法对算力的需求较小，定位出目标标签位置所需的时间也较短，也可以扩展到三维空间中用来确定高度信息。此方法可以快速确定目标标签的位置范围，进而再细化标签精确位置。
基于几何关系的定位方法
这种方法的优点是无需对轨迹进行精确测量，而且只要非常少量的参考标签就可以实现对目标标签的定位。因为移动机器人平台大致处于匀速前行的状态，所以通过不同时刻移动平台距离不同标签的位置和夹角，就可以大致得出轨迹的方向，通过轨迹的方向并分析轨迹、参考标签和目标标签之间的空间几何关系，即可得到目标标签所在的位置。这个方法进一步减小系统对参考标签密度的依赖性，也减轻了辅助器件数据的分析压力，降低了计算成本和能耗，同时缩短了定位时间。
GNN定位算法
在移动机器人平台前进的过程中，每一个采样点都可以看做是一个节点，包含着相位、RSSI、机器人位置等信息。在不同的相邻节点之间，可以按照平台移动的顺序连接成边，进而构建出一个图结构，再将其放到图神经网络中进行训练，便可以通过模型得到目标标签位置的预测结果。
RFID未来大有可为
据傅哲博士介绍，目前全球大概有超过8个RFID高校团队在做相关的产品工作，国内的企业团队数量也在逐渐增加，不同团队之间的区别大多在于各自研发的移动平台和使用的RFID系统不尽相同。
当然，在仓储场景中，虽然相比于视觉方案更有优势，可RFID也有其自身的不足，如随着空间中物品的密度上升到一定程度之后，使用RFID识别也会遇到瓶颈。由于硬件读取率的限制，每个标签的被采样率次数会随标签数量上升而降低。同时，机器人的移动速度增加也会导致采集到的有效信息减少，多径和复杂环境以及物品自身材料的问题，都会使系统定位的性能降低。此外，读写距离有限也是亟待解决的问题，因此在一个场景中需要多个RFID读写器来覆盖也是目前的一个痛点，傅哲所在的团队也通过重新设计读写器和改进算法解决了长距离读写等方面的问题。
对于未来如何实现落地，傅哲博士也提出了自己的想法。他表示，室内多功能感知融合机器人和医疗健康会是下一步的发展趋势。例如，当前的大部分扫地机器人还只能完成最基础的清洁工作，由于受到成本的限制，无法进一步增加过多的功能，而低成本的RFID则刚好可以解决这一问题，通过在各种物品上使用无源RFID标签，可以构建出一个大范围的识别场景，并且无需像蓝牙、Wi-Fi、UWB一样使用电池。而且RFID可以用来解决佩戴设备臃肿、人员隐私等多类问题，为提供高效低成本的优质服务提供有效的技术解决方案，未来具有更大的想象空间。傅哲博士近期利用无源RFID实现的有关远程感知，肢体识别，眼动追踪等室内智能物联网系统在不断的验证他的想法。
附团队成员简介：
傅哲
剑桥大学博士。现任复睿微电子资深AI科学家，曾任华为英国研发技术顾问，PervasID公司技术顾问，剑桥大学工程系博士后研究员。主要从事射频识别技术(RFID)，智慧物联网系统（AIoTs），人机交互系统(HMI)等领域研究。曾获剑桥大学圣凯瑟琳杰出研究成果奖，剑桥大学博士全额奖学金等荣誉，发表多篇国际学术期刊且拥有多项科技专利。曾在清华大学，中科院大学，浙江大学等多所高校，剑桥阿登布鲁克医院，剑桥创新和创业营，以及多个国际会议上进行过学术汇报。IEEE CRFID外联主席，JoVE期刊编辑，IEEE IoTs, IEEE Sensors等期刊审稿人。
刘铮
2014年考入谢菲尔德大学电子与电气工程系电子与通信工程专业,在校期间因成绩优异曾经多次获得本科生学术成就奖学金。2017年获谢菲尔德大学一等学士学位,同年考入剑桥大学工程系光子与电子集成系统专业。2018年获剑桥大学研究型硕士学位,目前在剑桥大学先进光电子中心继续深造、攻读博士学位。博士研究方向为基于无源射频识别技术和移动机器人平台的高精度室内定位系统及算法，在相关顶会顶刊发表多篇论文。博士研究项目通过控制移动机器人来收集相关射频信息，并利用合成孔径雷达、粒子滤波器、神经网络等算法，实现对移动机器人轨迹的追踪和对目标物体位置的定位。
