基于RFID的智能防碰撞系统

原创于 2025-10-31 04:28:14 发布 · 1.2k 阅读

10 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#RFID #防碰撞 #智能医疗 #相位解缠 #RSSI

基于可穿戴物联网的智能医疗室内防碰撞报警系统

摘要

智能医疗已取代传统医疗，在全球范围内受到广泛关注，并呼吁采用集成设计，融合跨学科技术方法和解决方案，以支持经济且高质量的患者护理。随着视障人士数量的增加，包括盲人、老年人和眼疾患者，借助智能技术帮助他们探索外部环境，使其能够更轻松地适应环境显得尤为重要。智能室内防碰撞系统便是其中一种典型应用。以往的研究通常使用视频监控器或部署的传感器为视障人士提供外部环境信息。然而，这些方法存在隐私泄露和使用不便的问题。本文提出了IAAS，一种基于射频识别的智能室内防碰撞系统，通过分析接收的反向散射信号来识别和跟踪无源射频识别标签。我们利用局部加权线性回归算法提取接收信号强度指示和相位曲线作为指纹，帮助用户在无需眼睛观察的情况下避开障碍物。实验验证了本系统的有效性，结果表明，IAAS在避障方面可达到94%的高准确率。

引言

研究人员一直在研究第五代（5G）无线网络、物联网（IoT）和云无线接入网络（C-RAN）等下一代信息技术，旨在提高人们的生活质量，推广智能医疗理念，以应对资源有限、人口老龄化和全球化等社会和经济挑战。智能医疗有潜力彻底改变我们社会的许多方面，特别是对于残疾人而言。面向视障人士的防碰撞系统就是一个典型例子，目前正吸引着全球大量视力不佳人群的广泛关注，包括盲人、老年人和眼疾患者。

先前的研究通常使用视频监控器或部署的传感器 [1, 2] 可为视障人士提供室外环境信息，并在检测到障碍物风险时发出警报。然而，摄像头需要无障碍的视线以保持较高的准确性，这在某些情况下可能侵犯隐私。此外，即使传感器可在室内环境中供电，对视障人士而言，携带传感器也不如直接将标签附着在衣物上舒适。

我们日常生活中的另一个应用依赖于传统的防碰撞导杆来避开外部障碍物。然而，由于空间有限以及更密集的障碍物，这种方法并不适用于室内场景，因此无法为视障人士感知外部环境提供足够的信息。Eyeronman [3] 是一种安装了传感器的智能背心，充分利用激光雷达、超声波传感器和红外传感器，保护视障人士免受某些预先布置的危险区域的威胁，但其存在高成本以及给人们日常生活带来的附带不便等问题。

随着可穿戴物联网的发展，许多技术被应用于人们的日常生活中，为智能医疗带来了更多解决方案。传统的可穿戴设备主要基于传感器，存在高成本的数据传输支持系统和较差的用户体验问题。本文提出将射频识别（RFID）作为传感器类可穿戴设备的替代方案，并通过分析附着在视障人士衣物上的无源射频识别标签的反射背向散射信号，构建了一种防碰撞系统，在用户偏离正常路径或接近障碍物时发出警报。我们开展了一系列实证研究，发现相位和接收信号强度指示（RSSI）指纹均可作为射频识别标签与天线之间距离的指示指标。然而，仍存在三大挑战：第一，接收信号强度指示（RSSI）受严重的多径衰落和时间动态性影响，导致RSSI指纹出现波动；第二，从商用射频识别设备测得的包裹相位无法直接使用，增加了位置模糊性；第三，射频识别天线并非全向性，只能感知其前方有限的扇形区域。

总结主要贡献

据我们所知，室内防碰撞报警系统（IAAS）是首次尝试基于商用现成（COTS）RFID设备提供的射频识别信息，为视障人士设计防碰撞系统。
我们的系统可在用户行走时保护其免受室内障碍物的碰撞，并在无需目视观察的情况下引导用户到达门口。
采用局部加权线性回归算法进行接收信号强度指示指纹提取，以识别射频识别标签与天线之间的距离，同时利用解包裹相位来指示用户偏离正常路径的程度。
对射频信息（包括相位和接收信号强度指示值）进行了广泛的统计分析，使我们的系统更具可行性。
建立了一个原型，并使用RFID设备进行了大量实验。结果表明，我们的系统在避障方面的准确性可达到94%。

本文的其余部分组织如下。我们首先介绍背景和相关工作，然后分别详细阐述我们的方法论和系统设计。接着，还解释了系统实现和评估。最后，我们对本文进行总结。

背景与相关工作

背景

超高频RFID系统通常在902兆赫至928兆赫的频段上运行，使用反向散射无线链路。RFID天线以全双工模式与无源标签通信；换句话说，它必须为标签提供连续波以进行反向散射，同时监听标签的响应。当前商用现货（COTS）RFID读取器（如Impinj [4]）可提供丰富的信号信息，例如信号相位、接收信号强度指示和多普勒频移，这些信息为环境感知提供了潜力。本文中，我们主要利用RSSI指纹结合相位轮廓，为视障人士实现一个复杂的防碰撞系统。

接收信号强度

接收信号强度（RSS）是对接收到的无线电信号功率的度量。在RFID系统中，RSS是读取器的输出之一，反映接收到的反向散射信号的功率。根据路径损耗模型，信号的传输距离越长，接收信号强度（RSS）越弱，这使得接收信号强度（RSS）可作为反映标签与天线之间距离的特征。

相位

射频信号的相位值描述了接收信号相对于发送信号的偏移程度。设 $ d $ 为天线到标签的距离；由于信号以反向散射方式传输，每次通信都会经过一个往返行程（$ 2d $）。除了因传输距离引起的射频相位旋转外，读取器的发射电路、标签的反射特性以及读取器的接收电路也会引入额外的相位旋转，分别记为 $ \theta_T $、$ \theta_{TAG} $ 和 $ \theta_R $ [5]。因此，测得的相位可以表示为：

$$
\theta = \left( \frac{2\pi \cdot 2d}{\lambda} + \theta_T + \theta_{TAG} + \theta_R \right) \mod 2\pi
$$

其中，$ d $ 是发射器与接收器之间的距离，$ \lambda = c/f $ 是频率为 $ f $（单位：赫兹）时信号的波长。

方法论

在本节中，我们首先讨论了在初期尝试直接利用商用射频识别设备提供的信息来为视障人士实现高性能防碰撞系统时所面临的挑战。然后，我们介绍了相应的解决方案，并详细展示了我们的系统设计。

初步尝试

我们首先考虑到，在移动通信中，无线电信号通过从发送端到接收器的不可见电磁波进行传输。在典型的室内场景中，传输信号会通过反射、散射、衍射等多种路径传播到接收器。因此，无线电信号能够传递其经过环境的信息，这使得基于 RFID 的检测成为可能。

通常，一个射频识别系统由读取器、天线和多个标签组成。标签无需电池，通过调制读取器发射的反向散射信号来传递信息。当射频识别天线扫过一组标签并持续查询时，读取器可以获得丰富的信息，这些信息会受到标签与天线之间空间关系变化的影响：最常见的是接收信号强度指示和接收相位值，这两者都可以从商用射频识别设备中轻松提取。我们尝试利用这两个指纹进行防碰撞检测。

挑战与解决方案

RSSI由于易于获取而被广泛采用，它表征了信号在传播过程中的衰减，因此与标签与天线之间的距离成反比。当携带射频识别标签的人靠近天线然后远离（穿过障碍物）时，天线测得的RSSI值应先增加后减少，因为标签与天线之间的距离先减小后增大。然而，由于多径效应，这种情况仅在理论上成立。此外，由于多径衰落和时间动态性的影响，RSSI存在粗糙特征和时间稳定性差的问题，这使得无法简单地通过测量到的RSSI值来确定标签与天线之间的距离。

为了解决RSSI的这些挑战，我们不仅通过分析当前测量的RSSI值，还结合历史RSSI值来做出防碰撞决策。为了应对RSSI的多径衰落和时间动态性问题，我们引入了局部加权线性回归（LWLR）这一机器学习算法，该算法通过相邻数据序列回归预测数据值，从而提取出更稳健的RSSI指纹用于系统设计。

RF phase 是信号的基本属性，与幅度和频率并列。射频信号的相位值描述了接收信号相对于发送信号的偏移程度。然而，我们测量到的相位是缠绕的，是一种周期函数，范围从 0 到 $ 2\pi $。因此，我们无法直接使用相位来确定标签的相对位置。

为了解决这些挑战，我们首先通过检测跳变点来解缠相位曲线，使相位值变得连续。然而，解缠后的相位值仍然无法用于识别标签与天线之间的距离，因而也不能用于防碰撞监测，因为解缠过程仅能消除相位突变，但起始位置的相位值仍然是缠绕的，这意味着同一标签在解缠之后的相位值仍受此影响。

当我们从不同位置开始时，相位值会有所不同。因此，我们不直接使用相位值进行防碰撞检测，而是利用解缠相位变化率来引导用户行走路径。该引导系统作为防碰撞系统的补充是必要的，可防止用户在进入障碍物监测区域之前朝严重倾斜的方向行走。

系统设计

在本节中，我们介绍了IAAS的详细信息，以帮助视障人士在室内安全行走。接收信号强度指示表征了信号的衰减，并通过普遍使用的对数正态距离路径损耗模型映射为标签与天线之间的距离。因此，我们尝试利用测量的RSSI值来识别视障人士与室内环境中障碍物之间的距离。然而，由于接收信号强度指示是多径分量的叠加，其不仅在信号波长量级的距离上随距离变化，还会随时间波动，这会阻碍基于接收信号强度指示的定位。

幸运的是，我们的目的并非实现高精度定位，而是在监测到视障人士接近障碍物时提前发出预警。我们的系统适用于旨在引导人们走向门口的定向行走。考虑到行动困难的视障人士的实际状况，我们不考虑他们在室内随意走动的情况。

射频识别天线布置

根据先前的知识，RFID天线不是全向的，只能感应其前方有限的扇形区域。因此，我们设计系统的第一步是确定所使用的RFID天线的感应区域。我们保持RFID设备工作，让携带标签的人围绕天线绕圈，并记录天线无法感应到标签的边界。经过多次测试，我们确定该天线的最大感应角度为60度。

然后我们确定射频识别天线的布设。我们在每个室内障碍物后面放置一个天线，并通过分析测量的RSSI值来识别携带标签的人员与障碍物之间的距离。我们必须将天线放置在合适的位置，确保读取器能够感知整个障碍物。当障碍物较小时，使用一个天线即可；当障碍物较大时，应部署两个天线，以避免人体遮挡。由于多个标签会相互干扰，可能直接增加数据处理的难度，因此我们仅使用一个标签进行实验。事实上，仅使用一个标签即可实现高可靠性。本文中我们只考虑第一种情况，即仅使用一个天线。

基于预测模型的特征提取

考虑到RSSI的多径波动和时变特性，我们引入局部加权线性回归算法 [15] 以提取更稳健的RSSI指纹用于系统设计。局部加权线性回归是对线性回归算法的一种改进，用于解决欠拟合问题，该方法对预测点附近的每个点赋予一定的权重，并基于最小均方误差（MMSE）对该子集进行常规回归。局部加权线性回归（LWLR）使用核函数为邻近的点赋予更高的权重，我们在系统中选择最常用的高斯核函数。相应的权重如下：

$$
\omega(i,i) = \exp\left(-\frac{(x_i - x)^2}{2k^2}\right)
$$

其中 $ x $ 是预测点的接收信号强度指示值，$ x_i $ 是相邻点的接收信号强度指示值，而 $ k $ 表示波长参数，用于控制权重随距离增加而下降的速率。

这样，我们构建一个仅包含对角元素的权重矩阵 $ w $，点距离预测点越近，分配的权重越大。然后我们可以基于局部加权线性回归提取接收信号强度指示指纹。

基于RSSI的防碰撞系统

为了实现针对视障人士的防碰撞应用，IAAS需要识别人与障碍物之间的距离，并在接近障碍物到一定程度时发出警报。我们在障碍物附近安装天线，并在人的衣物上附着标签；然后利用接收信号强度指示值进行距离识别。我们的系统包括两个步骤：训练和监测。

在训练部分，我们收集人员站在距障碍物不同距离时的接收信号强度指示值。根据与障碍物的距离，我们将整个监控区域划分为安全区、警告区和危险区，并确定用于识别人员当前所处区域的接收信号强度指示阈值。

示意图0

在监测部分，我们实时收集RSSI值，使用局部加权线性回归提取RSSI指纹，并持续将当前RSSI指纹与阈值进行比较。当人员进入警告区时触发预警，从而防止其进入危险区，保护视障人士免受障碍物威胁。

IAAS的扩展

为了使IAAS更加可靠，我们考虑了视障人士在进入监控区域前的行走方式。如果此人直接朝一个严重倾斜的方向行走，可能无法到达监控区域，从而可能导致撞墙或被困住而无法走出。为了解决这个问题，我们使用相位曲线（描述接收信号相对于发送信号偏移程度）来引导该人行走的方向。

我们通过检测 $ 2\pi $ 的跳变点来解包采集的相位轮廓，使相位值保持连续。然后利用相位变化的强度来识别人员行走的方向，并设置阈值以辅助引导人员的行走轨迹。值得一提的是，由于接收信号强度指示具有包括不稳定性在内的粗糙特征，因此我们未选择它来作为引导依据。

示意图1 k = 1；b) k = 40；c) k = 100。)

系统实现与评估

在本节中，我们介绍系统的实现并进行性能评估。

系统实现

硬件：我们使用商用UHF RFID设备实现我们的场景，包括一个Impinj R420 RFID读取器、多个 8 dBi定向天线和Impinj H47 RFID标签，如图1所示。整个RFID系统在920.625兆赫的频率下运行。

软件：在个人计算机上运行的软件部分使用 C#语言实现。该软件集成了Octane SDK（LLRP工具包的扩展），支持报告射频识别信息，例如信号相位和接收信号强度指示。

部署：由于RFID天线的波束范围约为60度，当障碍物过大时，可能无法完全覆盖障碍物。为解决此问题，我们部署多个天线，天线的数量可根据障碍物的大小确定。

基于LWLR的指纹提取

作为一个实时监控系统，其性能在很大程度上取决于测量数据的准确性和稳定性，因此，受多径波动和时间动态性影响的原始RSSI值不能直接用作识别的指纹。为了解决这个问题，我们引入了LWLR算法，该算法通过相邻历史RSSI值来预测当前RSSI值，从而帮助我们提取更鲁棒的RSSI指纹。

图2展示了LWLR处理的结果。当携带标签的用户走向天线然后离开时，红色散点是原始RSSI值，而蓝色线条是经过LWLR后的回归结果。从图中可以明显看出，LWLR能够显著降低原始接收信号强度指示值的波动，同时不丢失其固有特性。LWLR使用高斯核函数为邻近点赋予更高的权重，其中核参数 $ k $ 控制权重随距离下降的速率。

为了进一步分析 $ k $ 的影响，我们选择了不同的 $ k $ 值，如图2所示：$ k = 1 $、$ 40 $、$ 100 $。显然，当 $ k = 1 $ 时，出现过拟合现象，这意味着拟合曲线中包含过多噪声；而当 $ k = 100 $ 时发生欠拟合。相比之下，$ k = 40 $ 最为合适，其拟合系数为0.88，能够保留RSSI的内在特征，本文选择该值。

为了将不同区域的边界划分转换为相应的接收信号强度指示（RSSI）水平，我们让一个人分别在危险区和警告区内持续移动，并记录测得的RSSI值，如图4所示。在去除异常值后，我们选择每条RSSI曲线的最小值作为区域划分的阈值，即危险区为–36.5 dBm，警告区为–52.5 dBm。

防碰撞系统

在本节中，我们评估了系统的性能。我们的目的是在用户进入预警区甚至危险区时发出正确报警。我们主要关注以下指标来评估我们的方案：

负警报率 $ P_{NA} $ ：当用户进入警告区甚至危险区时，接收器未发出警报的情况次数
误警报率 $ P_{FA} $ ：当用户处于安全区时，接收器错误发出警报的情况次数

整体性能 ：为了验证我们的系统，我们分别让人正常行走（远离警告区和危险区）、穿过警告区域以及穿过危险区域。结果如图5所示。三个不同颜色填充的背景区域分别对应上述两个划分阈值所确定的危险区、警告区和安全区。如图5所示，通过分析用户是否进入警告区或危险区，可以清晰区分出三条不同的轨迹，验证了我们系统的可行性。结果表明，我们的系统在避障方面能够实现良好的性能。为进一步描述系统的准确性，我们在随机时间间隔内重复实验50次，并统计系统的错误次数。

实验结果表明，在整个实验过程中仅出现了两次负警报（$ P_{NA} = 2 $）和一次误报（$ P_{FA} = 1 $），可能由RFID信号波动引起。

系统响应时间 ：实时是防碰撞系统的一个重要衡量指标。我们系统的耗时主要在于RFID设备的采样率以及LWLR的时间复杂度。为了减少时间延迟并保证系统的实时性能，我们采取了两项措施。第一项措施是在天线的感知范围内放置一个标签阵列，以降低对目标标签的采样频率，并提高计算机处理速率。处理与数据访问的实际速率同步，从而保证了系统的实时性能。第二个是提高局部加权线性回归（LWLR）的处理速度。LWLR每次预测时都需要考虑所有训练数据，因此当数据量相对较大时，计算量非常大，学习效率非常低。为了解决这个问题，我们引入了时间窗口的概念，在每个时间窗口内执行LWLR操作，并将所有时间窗口依次连接形成完整的数据指纹。经过这两个方案的处理后，我们的系统可以实现近乎实时的性能。

IAAS的扩展

根据先验知识，射频信号的相位值描述了接收信号相对于发送信号的偏移程度。为了使我们的系统更加稳健，我们使用相位变化率通过调整引导用户的行走轨迹，作为我们系统的扩展，以应对此前进入监控区域时用户可能撞墙或被困而无法走出的情况。图6显示了四条不同轨迹经过高斯滤波后的解缠绕相位曲线。显然，无论向左或向右，相位变化率越小，偏离程度越大。

更具体地说，请仔细观察红色曲线，该曲线表示用户以60度倾斜方向行走，然后调整到正确路径的过程。从曲线中可以明显看出这一变化，表明我们可以通过监测相位变化率来引导用户沿正确路径行走。

结论

在本文中，我们提出了IAAS，一种面向视障人士的室内防碰撞系统，该系统展现了为智能医疗提供支持的潜力，以解决日益增多的视障人群（包括盲人、老年人以及眼疾患者）所带来的问题。在我们的系统中，无源射频识别标签被附着在用户的衣物上，基于局部加权线性回归算法提取RSSI指纹，用于识别用户与障碍物之间的距离，并利用解缠相位变化率引导用户沿正确路径行走。评估结果表明，我们的系统在引导视障人士避开障碍物方面具有高准确性和高效率。我们认为这项工作是智能医疗领域的一次新尝试，为未来更智能化的应用提供了更多可能性。

我们未来的工作将集中于考虑更多的射频特征，例如多普勒频移，并将更多基于RFID设备的应用带到我们的日常生活中。