Chipless RFID: Forschung kombiniert Beamforming und Deep Learning
Springer Nature veröffentlicht in Scientific Reports eine Arbeit von Kawther Mekki, Marwa Ben Slimene, Syrine Neffati, Nadia Ghezaiel, Khaled Kefi, Hatem Rmili und Ali Gharsallah zu einem chipless RFID-System für Edge-IoT- und 5G-Umgebungen.
Im Mittelpunkt steht ein kompakter 24-Bit-Tag ohne Siliziumchip: Die 24 Bit liegen nicht in einem elektronischen Speicher, sondern in frequenzselektiven Resonatorstrukturen, deren Rückstreusignal als elektromagnetisches Codewort ausgelesen wird.
Forschung aus Saudi-Arabien und Tunesien
Die Autorinnen und Autoren sind mit der University of Ha’il, der Northern Border University in Arar, der National Engineering School of Tunis der University of Tunis El Manar sowie dem Microwave Electronics Research Laboratory der Faculty of Sciences of Tunis verbunden.
Der Beitrag „Smart beamforming and deep-learning reader for RFID systems in edge IoT“ adressiert eine zentrale Herausforderung chiploser RFID-Systeme: Wie lassen sich passive, siliziumfreie Tags zuverlässig auslesen, wenn reale Umgebungen Rauschen, Winkelfehler, Biegung, Multipath und schwache Rückstreusignale verursachen?
Warum der Ansatz für 5G IoT relevant ist
Für 5G-IoT-Umgebungen ist der Ansatz relevant, weil künftige Netze nicht nur aktive Geräte verbinden, sondern auch große Mengen passiver oder sehr kostengünstiger Objekte erfassen müssen. Chipless RFID kann solche Objekte ohne Batterie und ohne Siliziumchip identifizierbar machen. Das reduziert die Komplexität am Tag und verlagert die Intelligenz in den Reader.
Beamforming passt zu 5G-IoT-Architekturen, weil 5G bereits auf Mehrantennensysteme, gerichtete Funkabdeckung und Edge-Verarbeitung setzt. Ein beamformingfähiger RFID-Reader kann die Energie gezielter auf ein Tag richten, Störungen aus anderen Richtungen reduzieren und das schwache Rückstreusignal passiver Tags stabiler erfassen.
Deep Learning ergänzt diesen Ansatz auf der Verarbeitungsebene. Die gemessene spektrale Signatur eines Chipless-RFID-Tags kann direkt am Edge ausgewertet werden, ohne dass jedes Signal an eine entfernte Cloud übertragen werden muss.
Chipless RFID als Gesamtsystem
Chipless RFID ist ein Forschungsansatz für Identifikationssysteme, bei denen Kosten, Energiebedarf und Skalierbarkeit im Vordergrund stehen. Anders als klassische RFID-Tags benötigen chiplose Tags keinen integrierten Schaltkreis. Die Identität wird über die elektromagnetische Signatur des Tags codiert.
Die Arbeit betrachtet Chipless RFID nicht nur als Tag-Technologie, sondern als Gesamtsystem aus Tag-Design, Reader-Architektur und KI-basierter Signalverarbeitung. Damit verschiebt sich Systemintelligenz vom Tag in den Reader beziehungsweise an den Edge-Knoten.
24-Bit-Tag im 4-bis-6-GHz-Band
Das vorgestellte Tag basiert auf Radar-Cross-Section, kurz RCS, und arbeitet im Frequenzbereich von 4 bis 6 GHz. Es besteht aus T-förmigen Mikrostrip-Resonatoren auf einem RO4350B-Substrat und hat eine Größe von 55 × 32 mm².
Jeder Resonator erzeugt eine charakteristische Kerbe im rückgestreuten RCS-Spektrum. Diese Kerben bilden zusammen das elektromagnetische Codewort. Das System erreicht 24 Bit innerhalb einer Bandbreite von 2 GHz, was einer spektralen Effizienz von rund 12 Bit pro GHz entspricht.
Die Resonanzen sind mit durchschnittlich etwa 80 MHz Abstand angeordnet. Eine Guard-Band- und Anordnungsstrategie soll Kopplungseffekte zwischen den Resonatoren reduzieren. Die Tag-Signatur wurde durch Simulationen und bistatische RCS-Messungen in einer Absorberkammer validiert.
Beamforming stärkt das Link Budget
Ein zentrales Element der Arbeit ist der Reader. Die Publikation beschreibt den Übergang von einem klassischen bistatischen Single-Horn-Aufbau zu einem beamformingfähigen Reader-Konzept mit Sende- und Empfangsarrays.
Beamforming bündelt elektromagnetische Energie räumlich in Richtung des Tags. Dadurch kann das Signal-Rausch-Verhältnis verbessert und Störeinfluss aus anderen Richtungen reduziert werden. Für passive Backscatter-Systeme ist das entscheidend, weil die empfangenen Signale schwach sind und stark von Umgebung, Ausrichtung und Mehrwegeausbreitung beeinflusst werden.
Für ein 1×4-Tx/Rx-Array beschreibt das Paper eine modellierte SNR-Verbesserung von etwa 10 bis 12 dB bei Broadside-Ausrichtung. Die Tag-Charakterisierung wurde experimentell durchgeführt, die Beamforming-Gewinne und Reichweitenskalierungen werden als modelliert beziehungsweise geschätzt dargestellt.
Deep Learning für die Dekodierung
Neben Beamforming nutzt die Arbeit Deep Learning zur Dekodierung der chipless RFID-Signatur. Statt manueller Schwellenwerte oder klassischer Notch-Erkennung verwendet das System ein eindimensionales Convolutional Neural Network, kurz 1-D CNN.
Das CNN verarbeitet baseline-korrigierte RCS-Spektren und ordnet die gemessene Signatur direkt einem 24-Bit-Code zu. Dadurch sollen Rauschen, Frequenzverschiebungen, Biegung, Winkelfehler und Restverzerrungen robuster kompensiert werden.
Im Vergleich mit einem probabilistischen Machine-Learning-Decoder verbessern sich die berichteten Ergebnisse deutlich: Die bitweise Genauigkeit steigt von etwa 0,93 auf 0,98, die Whole-Code-Accuracy von etwa 0,73 auf 0,86, insbesondere in Kombination mit Beamforming.
Relevanz für Integratoren und Anwender
Für Systemintegratoren und Lösungsanbieter liegt die Relevanz in der Systemarchitektur. Entscheidend ist das Zusammenspiel aus Tag-Physik, Reader-Antennentechnik, Signalverarbeitung und Edge-KI. Das Tag bleibt passiv und einfach, während Beamforming, Spektralanalyse und KI-Inferenz im Reader oder am Edge-Knoten stattfinden.
Für Endanwender in Industrie, Logistik oder Healthcare könnte Chipless RFID langfristig dort relevant werden, wo Barcodes an Sichtlinien oder Verschmutzung scheitern und chipbasierte RFID-Tags aus Kosten- oder Nachhaltigkeitsgründen nicht für jedes Objekt infrage kommen.
Ausblick
Die Publikation nennt weiteren Forschungsbedarf, darunter flexible Tags auf Kapton oder PET, sensorische Funktionen, Multi-Tag-Szenarien, vollständige Hardware-Implementierungen des Beamforming-Readers und weiterentwickelte Lernverfahren.
Technologisch zeigt die Arbeit einen klaren Trend: Identifikation wird nicht nur durch günstigere Tags bestimmt, sondern zunehmend durch intelligentere Reader. Beamforming und Deep Learning könnten Chipless RFID näher an realistische 5G- und Edge-IoT-Anwendungen heranführen.