基于RFID系统的区分LOS/NLOS的方法及系统与流程

本发明主要应用于物联网领域，rfid技术，涉及定位/活动识别应用领域，特别是一种基于rfid系统的区分los/nlos的方法及系统。

背景技术：

近几年来物联网(iot)应用在很多领域的迅猛发展，例如智慧城市和智慧工厂[1]。作为物联网最重要的支撑技术之一，射频识别(rfid)近年来受到了很多研究的关注[2]-[10]。一个典型的rfid系统由一套rfid阅读器和大量标签组成。阅读器计划通过无线通信从标签读取数据并将数据写入标签。与条形码或二维码等传统技术相比，rfid可以在更大的通信范围内运行，并且可以为物体识别和定位提供更有效的解决方案。目前，rfid技术在仓储管理，物流，智能图书馆，零售商等领域得到了广泛应用。预计到2027年rfid市场将超过200亿美元[11]

最近，基于rfid的定位和活动识别已经引起了许多研究的关注[2][5][6][12]-[16]，其典型应用可以将机场行李分拣[5]，[17]，在智能图书馆中发现错位的书籍[2]，[13]，挖掘顾客在离线购物中的行为[18]，[19]，评估创伤复苏过程的质量[14]，[20]儿童和玩具[21]。这些研究工作通过测量接收信号的特征(例如相位和接收信号强度(rss))来推断目标物体的位置或活动状态。通常，这些方法需要测量视线(los)条件下的信号特征以实现高精度。例如，对于使用相位测量来计算标签位置的定位算法[2]，[5]，[13]，阅读器和标签之间的任何障碍物将使测量的相位值与理论值相差很大，并且导致大的定位误差。

如何识别非视距(nlos)路径以减轻其对定位和活动检测的负面影响。在实际部署的rfid系统中，nlos信号传播比los更为常见。考虑到智能图书馆，书架和移动人员可能会阻止阅读器和标签之间的信号。在室内环境中，多路径和反射等因素也会导致nlos信号传输。如果非视距情况下测量的信号特征被盲目地处理，因为它们是在los情况下测量的，它们将导致严重的定位或活动识别的准确性降低[2]。为了实现较高的定位精度，我们需要将los传输与nlos传输区分开来，并在将它们送入定位或活动识别算法之前，删除相应的nlos读数或对其进行纠正。

尽管已经有很多作品被提出来对不同的障碍类型和大小进行分类(例如tagscan[22])，但它们的工作原理是障碍物已经存在并且不能识别los/nlos路径。此外，用于识别包括wi-fi[23]，[24]，蓝牙[25]，蜂窝塔[26]，[27]和超宽带(uwb)在内的基于无线的定位技术的los/nlos路径的方法)[28]不能直接用于rfid系统。它们依靠细粒度的物理层信息(例如，用于wi-fi的信道状态信息)来区分los和nlos路径，这要求高信号带宽和具有高能力的复杂接收机。例如，wi-fi中的每个频道的带宽为20mhz，uwb的带宽甚至更高。与它们相比，在rfid系统中，信号带宽受到很大限制(每个通道的带宽仅为250khz)，且接收器标签端的能力非常弱。

本发明所用到的名词解释如下：

视距：指在阅读器和标签之间能够相互“看见”的距离内没有障碍物，信号从发送端到接收端的一种方式。

非视距：当发送端的信号在传播过程中遇到障碍物阻碍后，信号的传播路径会发生改变，信号会通过反射或折射等传播方式到达接收端。

技术实现要素：

基于rfid的定位和活动识别依赖于信号特征(例如，相位和rss)的精确测量在有视距(los)的条件下去计算目标物体的位置或活动状态。然而，在真正的rfid开发系统中los可能会经常被阅读器和标签之间的障碍物所干扰。其非视距(nlos)信号的结果会大大减少定位和活动识别的准确性。如何在定位/活动识别过程中滤去nlos为保证精确性是非常重要的。本发明旨在提供一种基于rfid系统的区分los/nlos的方法及系统，保证识别精确性的同时，减少延时。

为解决上述技术问题，本发明所采用的技术方案是：一种基于rfid系统的区分los/nlos的方法，包括以下步骤：

1)阅读器发送并获取每个通道的相位和rss信息；

2)利用所述相位，或者rss信息，或者所述相位与所述rss信息的结合，识别los和nlos情况。

步骤1)中，获取相位的具体过程包括：

1)获取每个通道的相位值p＝{p1,p2...pi}；

2)将p送入k均值聚类算法，获得两个子集p1和p2，计算p1和p2的质心，分别记为c1、c2；若|p1|≤|p2|，且||c1-c2|-π|<1，则判定为相位模糊；如果p1的质心小于p2的质心，在p1中的所有读数上加π；否则，若p1的质心大于p2的质心，从p1中的所有读数中减去π；当|p1|≤|p2|，且||c1-c2|-2π|<0.5，则判定为相位间断；如果p1的质心接近0，则在p1中的所有读数上加2π；否则，如果p1的质心接近2π，则从p1中的所有读数中减去2π；

3)更新后的p1和p2即为相位。

所述通道数量为3个，在每个通道上收集数据的时长为2秒钟，2秒钟是为了降低延迟而设计的时间，当信道数量从1增加到3时，识别精度从0.93快速增加到0.97。但是，当信道数大于4时，使用更多信道其识别精度提高得并不明显。实际上，当信道数大于8时，精度几乎稳定。因此，我们可以随机选择三个信道，并在每个信道上收集数据2秒钟，并使用三个选定信道的数据执行los/nlos路径识别，这会将延迟从约31秒减少到大约6秒。

步骤2)的具体实现过程包括：

对于第k个频道，其rss方差为：

其中nk是第k个信道中rss读数的数量，是第i个rss信道在此信道中的读数，是第k个信道中rss读数的平均值，在计算所有通道的方差vsk后，所有通道的平均rss方差为；

其中m是频道总数；计算vs后，将vs与预先定义的阈值thrs进行比较；如果vs<thrs，则该路径被视为los路径；否则，将该路径视为nlos路径；其中，

步骤2)的具体实现过程包括：

对于第k个通道，相位读数的方差为：

其中是第k个通道中的第i个相位读数，是第k个通道中的平均相位值，所有通道的平均相位变化是：

如果vp<阈值thrp，将路径报告为los；否则，将路径报告为nlos。

步骤2)的具体实现过程为：判断vpsfit是否小于阈值，若是则将路径报告为los；否则，将路径报告为nlos；

其中vpsfit是本发明定义的一个新的度量标准，指的是相位和rss的联合变化范围，表示第k个信道的接收信号强度的95％置信区间，表示第k个信道的相位的95％置信区间。

相应地，本发明还提供了一种基于rfid系统的区分los/nlos的系统，其包括：

阅读器，用于发送并获取每个通道的相位和rss信息；

识别模块，用于利用所述相位，或者rss信息，或者所述相位与所述rss信息的结合，识别los和nlos情况。

所述识别模块利用所述rss信息识别los和nlos情况的具体实现过程包括：

对于第k个频道，其rss方差为：

其中nk是第k个信道中rss读数的数量，是第i个rss信道在此信道中的读数，是第k个信道中rss读数的平均值，在计算所有通道的方差vsk后，所有通道的平均rss方差为：

其中m是频道总数；计算vs后，将vs与预先定义的阈值thrs进行比较；如果vs<thrs，则该路径被视为los路径；否则，将该路径视为nlos路径。

所述识别模块利用所述相位识别los和nlos情况的具体实现过程包括：

对于第k个通道，相位读数的方差为：

其中是第k个通道中的第i个相位读数，是第k个通道中的平均相位值，所有通道的平均相位变化是：

其中m是频道总数；如果vp<阈值thrp，将路径报告为los；否则，将路径报告为nlos。

所述识别模块利用所述相位与所述rss信息的结合识别los和nlos情况的具体实现过程包括：判断vpsfit是否小于阈值，若是则将路径报告为los；否则，将路径报告为nlos；

其中m是频道总数；vpsfit是相位和rss的联合变化范围，表示第k个信道的接收信号强度的95％置信区间，表示第k个信道的相位的95％置信区间。

与现有技术相比，本发明所具有的有益效果为：本发明通过使用相位和rss的联合方差范围设计了一个能精确区分los和nlos路径的矩阵，提出一种有效的减少在识别精度上相位模糊的负面影响的基于簇的方法，只例举几个信道而不是全部信道和只用少数阅读去计算los/nlos路径识别，这样可以极大的减少延时而又不失精度；本发明结果显示，本发明的方法在所有测试案例中实现了高精度和召回率，精度高达0.969，召回率高达0.991。此外，我们的方法还可以区分不同类型的障碍物，准确度高达0.93。

附图说明

图1为阅读器和无源标签的通信；

图2为在los和nlos情况下测得的相位和rss图像；(a)los时的相位变化；(b)nlos时的相位变化；(c)los时的rss变化；(d)nlos时的rss变化；

图3为基于rss-t方法的识别精度和f-score；(a)精准度；(b)f-score；

图4为基于phase-t方法的识别精度和f-score；(a)精准度；(b)f-score；

图5为使用vpsmax和vpsfit方法的识别精度和f-score；(a)使用vpsmax的精准度；(b)使用vpsmax的f-score；(c)使用vpsfit的精准度；(d)使用vpsfit的f-score；。

具体实施方式

(1)阅读器和标签之间的通信(los)

在rfid系统中，阅读器和标签之间的通信采用读者会话优先模式。当阅读器想要与标签进行通信时，它首先发出连续的波形信号，其目的有两个：向标签发送命令/数据，并为标签提供能量以将其数据反向散射到阅读器。(无源)标签从连续波信号中收集能量并调制波以将数据传输到读取器。这个过程如图1所示。

当信号传播是los时，即阅读器和标签之间没有障碍物时，接收信号的特征主要受阅读器标签距离的影响。用d表示阅读器和标签之间的距离。到达阅读器的信号的相位可以模拟为[5]

其中λ是信号的波长，θdiv是由阅读器和标签的硬件缺陷引起的多样性项。目前，像impinjr420这样的许多cotsrfid阅读器能够以分辨率报告接收信号的相位2π/4096≈0.0015弧度[5]。类似地，阅读器上的接收信号的rss可以被建模为[31]

其中prx是阅读器处的rss，ptx是阅读器的发射功率，gt和gr分别是标签侧和阅读器侧的天线增益，tb表示标签的反向散射系数，其值在[0,1]。

(2)阅读器和标签之间的通信(nlos)

在实验中，我们在天线前面放置一个距离2米的标签，并在两种情况下测量阅读器上信号的相位和rss：los(阅读器和标签之间没有任何内容)和nlos(有一个人站在阅读器和标签之间)。对于每种情况，我们收集大约31秒的数据，每个通道大约2秒。请注意，这两种情况下的所有其他设置都是相同的。

实验结果(如图2所示)表明nlos情况下的相位和rss测量结果与los情况下的测量结果有很大不同。在los情况下，对于大多数通道，相位值在0弧度和1.8弧度之间，而在nlos情况下，测量的相位值在4弧度和6弧度之间。同样，nlos情况下的rss测量值(-64dbm至-59dbm)也与los情况(-46dbm至-44dbm)有很大不同。显然，非视距情况下的这种不可忽略的偏差会导致显着的定位误差。上述实验结果表明，我们应该确定nlos传输和降低nlos情况下的读数，以保证位置或活动识别的准确性。

(3)基本los/nlos的识别

我们设计了两种基本方法即基于rss阈值的方法(rss-t)和基于相位阈值的方法(相位-t))来识别los和nlos情况：我们测量信号的相位和rss标签一段时间，然后计算所有通道1上的相位和rss的平均值。然后我们使用基于阈值的方法来确定信号传输路径是los还是nlos。详情如下。

a)基于rss阈值的方法(rss-t)：在这种方法中，我们首先计算所有信道的rss的平均方差，然后使用阈值thrs来判断相应的路径是los还是nlos。如果平均rss方差小于thr，我们将路径报告为los。否则，我们将路径报告为nlos

对于第k个频道，我们计算其rss方差为

其中nk是第k个信道中rss读数的数量，是第i个rss信道在此信道中的读数，rssk是第k个信道中rss读数的平均值。在计算所有通道的vsk后，我们计算所有通道的平均rss方差为

其中m是频道总数。计算vs后，我们将其与预先定义的阈值thrs进行比较。如果vs<thr，则该路径被视为los路径；否则，它被视为nlos路径。

图3的(a)绘出了这种方法的精度(所有报告的los/nlos情况下真实los/nlos情况的比例)。很明显，识别精度受thr影响。对于最佳thr，los和nlos情况的平衡精度约为0.74。我们还绘制了图3的(b)中rss-t的f-分数(一个度量考虑了精度和召回率)。可以观察到，nlos情况下的最高f-分数大约为0.81，并且los情况下的最高f-分数仅为0.77。

b)基于相位阈值的方法(phase-t)：类似地，我们使用相位差异来区分los和nlos路径。对于第k个通道，相位读数的方差为

与rss-t类似，我们使用阈值thrp来区分los和其中pseki是第k个通道中的第i个相位读数，并且psek是第k个通道中的平均相位值。所有通道的平均相位变化是

nlos路径：如果vp<thrp，我们将路径报告为los；否则，我们将其报告为nlos。

图4的(a)和图4的(b)分别绘制了f-score和phase-t的精度。phase-t执行比rss-t稍差。其对los和nlos的平衡精度约为0.72。nlos案例的最高f-分数约为0.74，而los案例的分数仅为0.71。

(4)处理相位模糊和不连续算法

采用基础的识别方法虽然可以大概的识别出los/nlos，但是实验结果表明识别别精度只有0.72，识别度并不是很高。我们从图2可以看到，在相位读数中观察到两种不同类型的“异常值”，其原因在于相位信号存在相位模糊和相位间断，使得los和nlos之间的区别变得更加困难。

为了降低我们的识别难度，我们提出了一种基于聚类的方法，可以有效地减轻相位模糊和相位不连续的负面影响。对于每个通道，我们使用k均值聚类算法通过设置k＝2将读数分成两组。如果两个聚类的质心之间的距离大约为π(相位模糊度)或2π(相位不连续性)，我们移位一组读到另一组如下。

相位模糊：如果两个结果聚类的质心彼此不同，漂移大约为π，我们知道存在相位模糊度读数。在这种情况下，我们将小群中的读数转换为大群。假定相位读数组由p＝{p1,p2...pi}表示，其中i是通道i中获得的读数数量。然后我们将p送入k均值聚类算法，并获得两个子集p1和p2。假设p1小于p2，即|p1|≤|p2|。如果p1的质心小于p2的质心，我们在p1中的所有读数上加π。否则，如果p1的质心大于p2的质心，我们从p1中的所有读数中减去π。然后使用所有新值计算通道i的相位方差。

对于相位不连续：如果两个结果聚类的质心彼此相差大约2π，则通道中存在相位不连续读数。请注意，相位不连续只发生在一个通道中。同样，我们用p表示这个通道中的总读数，并用p1和p2表示结果的聚类，|p1|≤|p2|。如果p1的质心接近0，我们在p1中的所有读数上加2π。否则，如果p1的质心接近2π，我们从p1中的所有读数中减去2π。阅读转换后，我们使用所有的相位读数来计算相位的方差。

算法思想：

1.首先获取每个通道的相位值p＝{p1,p2...pi}；

2.将p送入k均值聚类算法，并获得两个子集p1和p2，假设p1小于p2，即|p1|≤|p2|；

3.计算p1和p2的质心分别为c1和c2；

4.如果||c1-c2|-π|<1则是相位模糊；

5.如果p1的质心小于p2的质心，我们在p1中的所有读数上加π。否则，如果p1的质心大于p2的质心，我们从p1中的所有读数中减去π；

6.如果||c1-c2|-2π|<0.5则是相位间断；

7.如果p1的质心接近0，我们在p1中的所有读数上加2π。否则，如果p1的质心接近2π，我们从p1中的所有读数中减去2π；

8.最后我们使用新的相位来读数。

(5)利用一系列特征提高精度

解决了相位模糊和相位间断，提高了图像的识别度，但是其精度才只有0.71-0.74，为了提高识别精度，我们提出了一个新的度量标准，它将rss中的方差和相位相结合，以区分los和nlos路径。实际上，新度量考虑了阶段和rss的联合变化范围，缩写为vps。我们使用两种方法计算频道的vps。

最大vps：在第一种方法中，我们使用rss的最大方差范围和相位的最大方差范围来计算度量，并用vpsmax表示。对于第k个频道，

其中和是第k个通道中的最大和最小rss读数，并且和分别是第k个通道中的最大和最小相位读数。计算所有通道的vpsmax后，我们计算其平均值为

合适的vps：当有一些极端读数时，对于los情况，vpsmax可能也很大，这会影响识别精度。我们的第二种方法使用rss和相位读数的保密间隔来计算度量，其由vpsfit表示。详细地说，对于第k个信道，用所有rss读数的95％置信区间，并用所有相位读数的95％置信区间。然后我们计算度量为

在计算所有通道的vpsfit后，我们使用它们的平均值作为度量来区分los和nlos路径：

在计算新的度量后，我们使用基于阈值的方法对los和nlos路径进行分类，类似于rsst和phase-t。这两个度量的精度和f-score绘制在图5中。我们可以观察到，与rsst和phase-t相比，新度量大大提高了识别精度。使用vpsmax和vpsfit的los和nlos的平衡精度分别为0.83和0.84，远高于仅使用rss和相位时的0.74和0.72。vpsfit比vpsmax稍好，因为它可以有效地减轻偶尔极端读数的影响。当使用vpsmax时，los和nlos的最高f值为0.86和0.88，使用vpsfit时为0.93和0.91，比rss-t和phase-t高出10％以上。

通过利用由跳频引起的更多特征可以进一步增强识别精度。实际上，除了相位变化，rss方差，最大vps和拟合vps之外，还可以使用以下三个特征来区分los和nlos路径2：

1)相位读数的95％百分位保密间隔的平均大小。相位读数的95百分位保密间隔的大小在los和nlos情况下不同。我们首先计算每个频道的95百分位保密间隔，然后计算它们在所有频道上的平均大小。

2)相位模糊度读数的平均数量。一般来说，在非视距情况下，相位模糊读数比在视距情况下更频繁地发生。我们首先确定每个通道是否有模糊度读数，如第iii-a部分所述，然后计算所有通道的模糊度读数的平均数。

3)一个通道中读数的方差。实际上，在los情况下，阅读速度(即每秒读数数量)相对稳定，而在非视距情况下，阅读速度差异很大。我们首先计算每个通道的计算机读取速率，然后使用它们的平均值作为度量来区分los/nlos路径。

我们收集了包含2330个los案例和2480个nlos案例的一组测试数据，这些数据包含不同的设置，包括不同的障碍物，阅读器和标签之间的不同距离以及不同类型的标签。我们计算每个案例的所有上述7个特征，并将它们提供给4个有代表性的机器学习算法，即randomforest，bagging，andomcommittee和kstar，并使用10倍交叉验证来评估它们的性能。表1给出了结果。我们可以发现，与使用vpsfit的最佳方法相比，精度大大提高了14％(0.98vs0.84)！我们还观察到randomforest在所有大多数情况下表现最好，因此将其用作其余实验中的默认分类器。

(6)减少识别延时

我们的方法已经达到了0.98的识别精度，但是计算出结果的时间却需要31秒，为了达到实时而又不失精度的效果，我们提出了以下方法：

减少识别延迟的一个简单的想法是仅在一个通道中使用测量，而不是在所有16个通道中执行los/nlos路径识别。表1绘出了使用单个通道数据时los和nlos情况下的识别精度。可以观察到，使用单个通道的精度介于0.90和0.93之间，明显低于使用来自所有通道的数据的精度。实际上，不同的信道在区分los和nlos路径上的能力是相似的，并且在不同场景下没有适用于这两种情况的最佳信道。

表1不同分类器的精准率和召回率

然而，我们发现如果我们随机选择几个通道并使用它们的组合来执行los/nlos路径识别，则所得到的精度将接近使用所有数据的精度，但是显着降低延迟。在表2中，当使用k个随机选择的信道来执行los/nlos路径识别时，我们绘制了los/nlos情况下的识别精度。可以看出，当信道数量从1增加到3时，识别精度从0.93快速增加到0.97。但是，当信道数大于4时，使用更多信道只能稍微提高识别精度。实际上，当通道数大于8时，精度几乎稳定。因此，我们可以随机选择三个通道，并在每个通道上收集数据2秒钟，并使用三个选定通道的数据执行los/nlos路径识别。这会将延迟从约30秒减少到约6秒。

表2不同采样数量时los/nlos区分率

实际上，我们可以通过减少每个通道的读数来进一步减少识别延迟。为了了解每个通道中读数的数量如何影响识别精度，我们随机地从3个随机选择的通道中随机采样一组读数，并用它们来执行los/nlos路径识别。结果列于表2。

根据表2给出的结果，我们观察到，当每个通道的读数数量大于20时，识别精度几乎不受影响。原因在于我们的方法中使用的所有功能都是统计度量标准，并且当抽样数量高于阈值时，这些度量标准不会受到很大影响。而且，对于最具有判别性的度量vpsf而言，因为我们使用保密间隔的大小而不是绝对最大/最小值来计算它，所以可以抑制极端读数的影响。当读数小于20时，精度略有下降。但是，即使读取次数少于每个通道5个，识别精度仍然高于0.95。这需要收集3*5＝15个读数。由于读取速率大约为每秒40个读数，这对应于大约15＝40＝0：375秒的识别延迟。在下面，如果没有明确指定，我们使用3个通道和每个通道5个读数来执行los/nlos路径识别。

我们提出了rfid系统的首个los/nlos识别方法。cotsrfid器件的实验结果表明，我们的方法在所有测试案例中实现了高精度和召回率，精度高达0.969，召回率高达0.991。此外，我们的方法还可以区分不同类型的障碍物，准确度高达0.93。该算法能够实现很高的识别精度，延迟小于0.4秒。该技术可用于所有基于rfid的定位和活动识别系统，这些系统需要los路径信号传播以实现高精度。

参考文献：

[1]luigiatzori,antonioiera,andgiacomomorabito.theinternetofthings:asurvey.computernetworks,54(15):2787–2805,2010.

[2]longfeishangguanandkylejamieson.thedesignandimplementationofamobilerfidtagsortingrobot.inproceedingsofthe14thannualinternationalconferenceonmobilesystems,applications,andservices,pages31–42.acm,2016.

[3]leixie,yafengyin,athanasiosv.vasilakos,andsanglulu.managingrfiddata:challenges,opportunitiesandsolutions.ieeecommunicationssurveysandtutorials,16(3):1294–1311,2014.

[4]qingjunxiao,binxiao,shigangchen,andjimingchen.collisionawarechurnestimationinlarge-scaledynamicrfidsystems.ieee/acmtransactionsonnetworking(ton),25(1):392–405,2017.

[5]leiyang,yekuichen,xiang-yangli,chaoweixiao,moli,andyunhaoliu.tagoram:real-timetrackingofmobilerfidtagstohighprecisionusingcotsdevices.inproceedingsofthe20thannualinternationalconferenceonmobilecomputingandnetworking,pages237–248.acm,2014.

[6]jialiu,minchen,shigangchen,qingfengpan,andlijunchen.tag-compass:determiningthespatialdirectionofanobjectwithsmalldimensions.inproc.ofieeeinfocom,pages1944–1952,2017.

[7]jiajueou,moli,andyuanqingzheng.comeandbeserved:paralleldecodingforcotsrfidtags.inproceedingsofthe21stannualinternationalconferenceonmobilecomputingandnetworking(mobicom),pages500–511.acm,2015.

[8]shigengzhang,xuanliu,jianxinwang,andjiannongcao.tagsizeprofilinginmultiplereaderrfidsystems.inproceedingsofthe36thannualieeeinternationalconferenceoncomputercommunications(infocom),pages1953–1961,2017.

[9]xiulongliu,binxiao,keqiuli,alexxliu,jiewu,xinxie,andhengqi.rfidestimationwithblockertags.ieee/acmtransactionsonnetworking,25(1):224–237,2017.

[10]yuxiaohou,yanwenwang,andyuanqingzheng.tagbreathe:monitorbreathingwithcommodityrfidsystems.inproceedingsof37thieeeinternationalconferenceondistributedcomputingsystems(icdcs),pages404–413.ieee,2017.

[11]raghudas.rfidforecasts,playersandopportunities2017-2027,2017.http://www.idtechex.com/research/reports/rfid-forecasts-playersand-opportunities-2017-2027-000546.asp.

[12]juewanganddinakatabi.dude,where’smycard？:rfidpositioningthatworkswithmultipathandnon-lineofsight.acmsigcommcomputercommunicationreview,43(4):51–62,2013.

[13]longfeishangguan,zhengyang,alexxliu,zimuzhou,andyunhaoliu.relativelocalizationofrfidtagsusingspatial-temporalphaseprofiling.innsdi,pages251–263,2015.

[14]liangwang,taogu,xianpingtao,andjianlu.towardawearablerfidsystemforreal-timeactivityrecognitionusingradiopatterns.ieeetransactionsonmobilecomputing,16(1):228–242,2017.

[15]juewang,deepakvasisht,anddinakatabi.rf-idraw:virtualtouchscreenintheairusingrfsignals.acmsigcommcomputercommunicationreview,44(4):235–246,2014.

[16]jeffreyhightower,roywant,andgaetanoborriello.spoton:anindoor3dlocationsensingtechnologybasedonrfsignalstrength.uwcse00-02-02,universityofwashington,departmentofcomputerscienceandengineering,seattle,wa,1,2000.

[17]tianciliu,leiyang,qiongzhenglin,yiguo,andyunhaoliu.anchor-freebackscatterpositioningforrfidtagswithhighaccuracy.ininfocom,2014proceedingsieee,pages379–387.ieee,2014.

[18]longfeishangguan,zimuzhou,xiaolongzheng,leiyang,yunhaoliu,andjinsonghan.shopminer:miningcustomershoppingbehaviorinphysicalclothingstoreswithcotsrfiddevices.inproceedingsofthe13thacmconferenceonembeddednetworkedsensorsystems,pages113–125.acm,2015.

[19]jinsonghan,handing,chenqian,weixi,zhiwang,zhipingjiang,longfeishangguan,andjizhongzhao.cbid:acustomerbehavioridentificationsystemusingpassivetags.ieee/acmtransactionsonnetworking,24(5):2885–2898,2016.

[20]siddikaparlak,ivanmarsic,aleksandrasarcevic,waheedubajwa,laurenjwaterhouse,andrandallsburd.passiverfidforobjectandusedetectionduringtraumaresuscitation.ieeetransactionsonmobilecomputing,15(4):924–937,2016.

[21]hanchuanli,canye,andalansonpsample.idsense:ahumanobjectinteractiondetectionsystembasedonpassiveuhfrfid.inproceedingsofthe33rdannualacmconferenceonhumanfactorsincomputingsystems,pages2555–2564.acm,2015.

[22]juwang,jiexiong,xiaojiangchen,hongbojiang,rajeshkrishnabalan,anddingyifang.tagscan:simultaneoustargetimagingandmaterialidentificationwithcommodityrfiddevices.inproceedingsofthe23rdannualinternationalconferenceonmobilecomputingandnetworking(mobicom),pages288–300,2017.

[23]chenshuwu,zhengyang,zimuzhou,kunqian,yunhaoliu,andmingyanliu.phaseu:real-timelosidentificationwithwifi.incomputercommunications(infocom),2015ieeeconferenceon,pages2038–2046.ieee,2015.

[24]zimuzhou,zhengyang,chenshuwu,longfeishangguan,haibincai,yunhaoliu,andlionelmni.wifi-basedindoorline-of-sightidentification.ieeetransactionsonwirelesscommunications,14(11):6125–6136,2015.

[25]patricklazik,niranjinirajagopal,olivershih,brunosinopoli,andanthonyrowe.alps:abluetoothandultrasoundplatformformappingandlocalization.inproceedingsofthe13thacmconferenceonembeddednetworkedsensorsystems,pages73–84.acm,2015.

[26]marilynnpwylieandjackholtzman.thenon-lineofsightprobleminmobilelocationestimation.inuniversalpersonalcommunications,1996.record.,19965thieeeinternationalconferenceon,volume2,pages827–831.ieee,1996.

[27]xinwang,zongxinwang,andbobo’dea.atoa-basedlocationalgorithmreducingtheerrorsduetonon-line-of-sight(nlos)propagation.ieeetransactionsonvehiculartechnology,52(1):112–116,2003.

[28]lorenzomucchiandpatriziomarcocci.anewparameterforuwbindoorchannelprofileidentification.ieeetransactionsonwirelesscommunications,8(4),2009.

[29]xinyuli,yanyizhang,ivanmarsic,aleksandrasarcevic,andrandallsburd.deeplearningforrfid-basedactivityrecognition.inproceedingsofthe14thacmconferenceonembeddednetworksensorsystemscd-rom,pages164–175.acm,2016.

[30]chuyuwang,leixie,weiwang,taoxue,andsanglulu.movingtagdetectionviaphysicallayeranalysisforlarge-scalerfidsystems.incomputercommunications,ieeeinfocom2016-the35thannualieeeinternationalconferenceon,pages1–9.ieee,2016.

[31]leiyang,yiguo,tianciliu,chengwang,andyunhaoliu.perceivingtheslightesttagmotionbeyondlocalization.ieeetransactionsonmobilecomputing,14(11):2363–2375,2015.

[32]chunhuiduan,leiyang,andyunhaoliu.accuratespatialcalibrationofrfidantennasviaspinningtags.inproceedingsof36thieeeinternationalconferenceondistributedcomputingsystems(icdcs),pages519–528.ieee,2016.

[33]https://www.impinj.com/platform/connectivity/speedway-r420/.

[34]guangliangliu,shigengzhang,jianxinwang,andxuanliu.arpat:accuraterfidreaderpositioningwithmereboundarytags.inparallelanddistributedsystems(icpads),201420thieeeinternationalconferenceon,pages880–885.ieee,2014.

[35]lionelmni,yunhaoliu,yiucholau,andabhishekppatil.landmarc:indoorlocationsensingusingactiverfid.wirelessnetworks,10(6):701–710,2004.

[36]jullawadeemaneesilp,chongwang,hongyiwu,andnian-fengtzeng.rfidsupportforaccurate3dlocalization.ieeetransactionsoncomputers,62(7):1447–1459,2013.

[37]kaibu,xuanliu,jiweili,andbinxiao.lessismore:efficientrfidbased3dlocalization.inmobilead-hocandsensorsystems(mass),2013ieee10thinternationalconferenceon,pages86–94.ieee,2013.

[38]coryhekimian-williams,brandongrant,xiuwenliu,zhenghaozhang,andpiyushkumar.accuratelocalizationofrfidtagsusingphasedifference.inrfid,2010ieeeinternationalconferenceon,pages89–96.ieee,2010。