基于RFID的绑定式感知技术虽然能够实现精确的感知，但是在部分应用场景下，感知对象无法时刻携带或者绑定RFID标签，这时可以考虑采用非绑定式的方法来完成感知任务。基于RFID的非绑定式感知是指以非接触的方式将RFID标签部署在感知对象周围，当反向散射通信环境中感知对象状态发生变化时，通过探索和提取RFID标签反射信号的特征，来推导环境中未绑定标签的感知对象的状态。根据感知原理的不同，非绑定式感知又可以分为以下三种感知方法。1. 基于标签电感耦合的非绑定式感知方法：研究人员发现，当两个标签距离较近时（如1~2cm）会存在电感耦合现象，外界环境中感知对象的状态（如位置、速度等）变化会进一步扰动标签之间的电感耦合，标签的信号强度、读取率等信号特征会随之产生变化，若合理运用这一特性，就能实现精确目标感知。例如，通过部署距离接近的双标签对，可以利用人体对双标签电感耦合的影响，来判断环境中是否存在异常走动人员；利用双标签之间的相互作用对液体敏感的特性，来判断工业管道设备是否存在漏液情况。2. 基于反射信号模型的非绑定式感知方法：研究人员发现，在反向散射过程中，环境中的人体、墙壁等物体会反射射频信号形成多径效应，导致标签信号混杂环境变化特征，因此可以通过建立反射模型来关联信号变化与感知对象的状态变化。例如，通过部署一定规模的规则的标签阵列，可以感知人体肢体的位置变化或手势的轨迹；还可以进一步感知人体的睡姿变化，实现睡眠监测。3. 基于信号模式匹配的非绑定式感知方法：当感知对象的状态变化和RFID信号特征之间的关系过于复杂，难以建立精准的物理模型来进行描述时，我们可以基于深度学习方法构建数据驱动的模型，根据不同动作的信号变化规律，采用模式匹配的方式，关联感知状态（如用户动作）与标签阵列的信号特征（如相位变化趋势、移动速度、动作时间等），从而基于标签阵列的时空关联性来识别用户的动作和行为。

当前的手势感知系统的感知方式主要包括可穿戴感知和视觉感知两种方式。前者需要用户佩戴专用设备来感知手势的微动作，但是绑定式设备的穿戴影响用户的交互体验；后者使用计算机视觉技术来捕捉手掌的关节运动，但存在受环境光线干扰、视觉计算复杂度高等缺陷。考虑到手指对RFID标签反射信号的影响，可以采用基于RFID的高精度非绑定式手势感知系统RF-finger作为解决方案。RF-finger系统基于环境中部署的网格状标签阵列，利用手指对多个标签信号的“扰动效应”进行手势感知。为了实现高精度的手势感知，RF-finger系统采用“信号融合”的思路，融合手指对多个标签的不同影响，构建信号反射模型，实现对手指位置的准确追踪。RF-finger在A4纸大小的空间中部署网格状标签阵列，使用单个天线在阵列背后持续扫描标签，用户在阵列前方进行手势操作。RF-finger先利用信号的反射模型，从接收信号中去除自由空间信号并抽取反射信号；然后，基于多个标签的反射信号，利用手指反射信号的理论分布特征将粗粒度的反射信号特征转化成细粒度的手指位置概率分布；最后，利用细粒度的手指位置概率分布，结合机器学习算法对手指的运动轨迹进行追踪，并对常用的手势动作进行识别。总体来说，RF-finger基于环境中的网格状标签阵列，建立了一套高精度非绑定式的反射感知模型，并基于“信号融合”的思路结合感知模型来推理手指位置，最终实现对手势和手指轨迹的细粒度感知。

上一篇：苹果iOS上的App Store不用说，应用的质量数量相比
下一篇：没有了