CRNN：基于深度神经网络的RFID信号端到端碰撞恢复

《Computer Networks》：CRNN: End-to-end collision recovery for RFID signals using deep neural networks

　　

摘要

多标签碰撞降低了射频识别（RFID）系统的效率，而现有的恢复方法通常需要昂贵的多天线硬件或复杂的信号分析。为此，本文提出了一种基于深度学习的碰撞恢复神经网络（CRNN），使用单天线直接分离和恢复碰撞信号。CRNN的主要优势在于其端到端处理能力。它结合卷积层和循环层，从原始信号中自动提取特征，从而消除了手动特征工程，显著降低了硬件成本和计算复杂度。实际评估显示系统性能大幅提升。具体而言，CRNN在单标签和双标签碰撞时隙中实现了78.18%的单时隙解码概率，将传统FSA协议的理论时隙效率提高了一倍（在最优帧长度下从0.368提升至0.736），并在-10 dB至40 dB的信噪比范围内保持误码率低于$10^{?2}$。这些结果表明CRNN在广泛的噪声条件下具有强大的鲁棒性和实际有效性。

引言

无线通信系统中的信号碰撞，尤其是在射频识别（RFID）中，严重降低了传输效率和可靠性[1]。当多个标签同时响应阅读器时，它们的信号相互干扰，导致解码失败和系统吞吐量降低[2]，并影响终端用户的感知体验[3]。传统的防碰撞算法，如分帧时隙ALOHA（FSA）及其变体，通过为标签分配不同时隙来避免碰撞[4]、[5]。然而，这些方法的最大吞吐量存在36.8%的固有上限[4]，在密集标签部署中变得越来越难以满足需求[6]。

近期研究探索了碰撞恢复作为碰撞避免的替代方案。物理层技术利用信号处理从重叠传输中提取信息。例如，多天线系统利用空间分集分离碰撞信号[7]，而单天线方法分析IQ星座图或采用机器学习进行信道估计[8]、[9]。尽管取得了这些进展，现有方法通常需要多天线或复杂的手动特征工程，或者仅限于特定的碰撞模式。此外，NES²Net等深度学习方法[10]在分离简单正弦波信号方面已显示出潜力，但尚未有效应用于复杂的RFID波形。此外，WaveNet等深度生成模型已证明能够直接对音频合成和语音生成中的原始波形进行建模[11]，这启发了将类似的端到端架构应用于无线系统中的物理层信号恢复。

在本文中，我们提出了一种由碰撞恢复神经网络（CRNN）支持的碰撞恢复范式（CRP）。与丢弃碰撞信号的传统方法不同，CRNN有意捕获和处理碰撞波形，使用结合卷积层和循环层的深度神经网络。该设计自动学习从单天线输入中分离和重建原始标签信号，无需手动特征提取或硬件冗余。如图1所示，CRNN处理碰撞信号以恢复单个标签数据，随后可以使用标准协议进行解码。

我们的主要贡献如下：

• •
  提出CRNN作为首个基于深度学习的端到端RFID信号碰撞恢复模型，该模型直接处理单天线原始波形。
• •
  CRNN在单标签和双标签碰撞时隙中实现了78.18%的单时隙解码概率，有效将传统FSA协议的理论时隙效率提高了一倍（在$K=N$条件下从0.368提升至0.736）。
• •
  大量实验表明，CRNN在广泛的信噪比范围（-30 dB至40 dB）内保持鲁棒性能，并能适应不同的编码方案（FM0、Miller4），在-10 dB至40 dB的信噪比范围内误码率低于10^?2。
• •
  提供了CRNN计算复杂度的综合分析，并讨论了其在资源受限RFID阅读器上的实际部署方案。

本文其余部分组织如下。第2节回顾了有关RFID防碰撞和恢复技术的相关工作。第3节详细介绍了系统模型，包括碰撞定义、CRNN架构和理论效率分析。第4节描述了实验设置和结果，包括消融研究和泛化实验。第5节总结了全文，讨论了局限性和实际应用意义，并概述了未来的研究方向。

章节摘要

相关工作

提高RFID系统效率的关键是解决信号碰撞问题。当需要识别大量标签时，由于信号碰撞，系统效率急剧下降[2]。因此，主要研究重点是如何处理信号碰撞。为解决此问题，研究人员提出了各种技术[4]、[6]、[7]、[8]、[9]、[10]，这些技术可大致分为四个主要领域（图2）。

然而，现有解决方案要么受到性能限制

系统模型

本节分为三个部分，系统地解决CRNN和CRP的设计。首先，分析碰撞定义。然后，在网络设计中，我们论证了采用卷积神经网络（CNN）和循环神经网络（RNN）作为重叠信号分离基础工具的合理性，随后对CRNN的架构进行细致剖析。最后，在范式效率分析中，我们探讨了RFID中碰撞现象的理论基础

实验

本节通过五个部分概述了实验实施框架。首先，介绍CRNN训练和验证的数据集构建方法，并详细描述数据预处理流程。随后，系统地阐述CRNN模型的训练协议和架构细节。为了全面评估各组件的贡献，通过受控进行消融研究和比较分析

结论

本研究引入了一种新颖的碰撞恢复范式（CRP），采用CRNN通过碰撞后信号恢复来缓解RFID信号碰撞，与传统防碰撞方法形成对比。实验结果表明，该模型实现了高精度信号重建，并在不同的编码方案中表现出鲁棒的适应性。与纯CNN和RNN基线的对比评估证实，CRNN的混合架构——结合局部特征提取与

CRediT作者贡献声明

赵伟成：撰写——初稿，软件，方法论。王文勇：撰写——审阅与编辑，监督指导。熊新星：撰写——审阅与编辑，监督指导，数据整理。杨婷：撰写——审阅与编辑，监督指导，方法论。邹中涛：验证，调查。

利益冲突声明

作者声明没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

赵伟成|王文勇|熊新星|杨婷|邹中涛