知財求人 - 知財ポータルサイト「IP Force」
▶ パロ アルト リサーチ センター インコーポレイテッドの特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2023-10-04
(45)【発行日】2023-10-13
(54)【発明の名称】チップレスＲＦＩＤ復号システム及び方法
(51)【国際特許分類】
G06K 7/10 20060101AFI20231005BHJP
G06K 7/00 20060101ALI20231005BHJP
H04B 1/59 20060101ALI20231005BHJP
【ＦＩ】
G06K7/10 144
G06K7/00 095
G06K7/10 176
G06K7/10 240
G06K7/10 244
H04B1/59
【請求項の数】
19
(21)【出願番号】P 2020063392
(22)【出願日】2020-03-31
(65)【公開番号】P2020181571
(43)【公開日】2020-11-05
【審査請求日】2023-03-27
(31)【優先権主張番号】16/394,220
(32)【優先日】2019-04-25
(33)【優先権主張国・地域又は機関】US
【早期審査対象出願】
(73)【特許権者】
【識別番号】504407000
【氏名又は名称】パロ アルト リサーチ センター インコーポレイテッド
(74)【代理人】
【識別番号】100094569
【弁理士】
【氏名又は名称】田中 伸一郎
(74)【代理人】
【識別番号】100109070
【弁理士】
【氏名又は名称】須田 洋之
(74)【代理人】
【識別番号】100067013
【弁理士】
【氏名又は名称】大塚 文昭
(74)【代理人】
【識別番号】100086771
【弁理士】
【氏名又は名称】西島 孝喜
(74)【代理人】
【識別番号】100109335
【弁理士】
【氏名又は名称】上杉 浩
(74)【代理人】
【識別番号】100120525
【弁理士】
【氏名又は名称】近藤 直樹
(74)【代理人】
【識別番号】100139712
【弁理士】
【氏名又は名称】那須 威夫
(74)【代理人】
【識別番号】100158551
【弁理士】
【氏名又は名称】山崎 貴明
(72)【発明者】
【氏名】ラリー・アージョマンディ
【審査官】小林 紀和
(56)【参考文献】
【文献】国際公開第２０１８／２１８３１３（ＷＯ，Ａ１）
【文献】米国特許出願公開第２０１７／０１１６４４４（ＵＳ，Ａ１）
【文献】米国特許出願公開第２０１８／０１２１６８９（ＵＳ，Ａ１）
【文献】特表２０１５－５０９２９５（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｋ ７／１０
Ｇ０６Ｋ １９／０６７
Ｈ０４Ｂ １／５９
(57)【特許請求の範囲】
【請求項1】
チップレス無線周波数識別（ＲＦＩＤ）タグを復号する方法であって、前記ＲＦＩＤタグに対する１つ以上のテスト位置から質問信号を送信することと、
前記ＲＦＩＤタグから１つ以上のテスト応答信号を受信することであって、前記１つ以上のテスト応答信号が前記１つ以上のテスト位置から送信された前記質問信号にそれぞれ応答可能である、ことと、
前記質問信号の１つ以上の模擬位置に対応する１つ以上の模擬応答信号をシミュレートすることと、
前記テスト応答信号及び前記模擬応答信号を使用して、前記ＲＦＩＤタグの識別（ＩＤ）を復号するように、復号化プロセッサを訓練することと
を含み、
前記１つ以上の模擬応答信号をシミュレートすることは、
データ拡張プロセッサに、ＲＦＩＤタグの識別、模擬質問信号の周波数、及び前記模擬質問信号の位置を提供することと、
前記ＲＦＩＤタグの識別と、前記模擬質問信号の周波数と、前記模擬質問信号の位置及び角度の一方又は両方とに基づいて、前記模擬応答信号のデータ点値をシミュレートすることと、
を有する、方法。
【請求項2】
前記テスト位置から前記質問信号を送信することが、前記質問信号及び前記ＲＦＩＤタグを送信するリーダの一方又は両方を移動させることを含む、請求項１に記載の方法。
【請求項3】
前記リーダ及び前記ＲＦＩＤタグの一方又は両方を移動させることが、前記ＲＦＩＤタグに対する前記リーダの角度を変更することと、
前記ＲＦＩＤタグに対する前記リーダの移動位置を変更することと、
前記ＲＦＩＤタグに対する前記リーダとの間の距離を変更することと、
前記リーダの送信アンテナ及び受信アンテナのうちの一方又は両方を変更することと
のうちの１つ以上を含む、請求項２に記載の方法。
【請求項4】
背景雑音信号を測定することと、前記テスト応答信号のそれぞれから前記背景雑音信号を減算することと
を更に含む、請求項１に記載の方法。
【請求項5】
前記データ拡張プロセッサを訓練して、前記模擬応答信号をシミュレートすることを更に含む、請求項１に記載の方法。
【請求項6】
前記データ拡張プロセッサを訓練することが、前記テスト応答信号を使用する教師あり訓練を含む、請求項５に記載の方法。
【請求項7】
各テスト応答信号及び各模擬応答信号を２次元アレイに変換することを更に含み、前記復号化プロセッサを訓練して前記ＲＦＩＤタグのＩＤを復号することは、各テスト応答信号及び各模擬応答信号に対応する２次元アレイの群に基づいて、前記ＲＦＩＤタグのＩＤを復号するように前記復号化プロセッサを訓練することを含む、請求項１に記載の方法。
【請求項8】
前記データ拡張プロセッサがデータ推定機能を実施し、前記復号化プロセッサが、深層学習ネットワークを実施する、請求項１に記載の方法。
【請求項9】
前記データ推定機能が、浅い学習ネットワークを備える、請求項８に記載の方法。
【請求項10】
前記復号化プロセッサが、ガウスサポートベクターマシン分類器、バギング決定木分類器、細かいｋ最近傍分類器、重み付きｋ最近傍分類器、又は部分空間ｋ最近傍分類器を実施する、請求項１に記載の方法。
【請求項11】
前記復号化プロセッサが、ＲＦＩＤタグのＩＤを誤って復号した場合、前記復号化プロセッサを再訓練することを更に含む、請求項１に記載の方法。
【請求項12】
チップレス無線周波数識別（ＲＦＩＤ）質問システムであって、前記ＲＦＩＤタグに対する１つ以上のテスト位置から質問信号を送信するように構成された送信機と、
前記ＲＦＩＤタグから１つ以上のテスト応答信号を受信するように構成された受信機であって、前記１つ以上テスト応答信号が前記１つ以上の位置から送信された前記質問信号にそれぞれ応答可能である、受信機と、
前記質問信号の１つ以上の模擬位置に対応する１つ以上の模擬応答信号をシミュレートするように構成されたデータ拡張プロセッサと、
前記テスト応答信号及び前記模擬応答信号を使用して、前記ＲＦＩＤタグの識別（ＩＤ）を復号するように訓練された復号化プロセッサと
を備え、
前記データ拡張プロセッサは、
ＲＦＩＤタグの識別、模擬質問信号の周波数、及び前記模擬質問信号の位置を受信し、
前記ＲＦＩＤタグの識別と、前記模擬質問信号の周波数と、前記模擬質問信号の位置及び角度の一方又は両方とに基づいて、前記模擬応答信号のデータ点値をシミュレートするように構成されている、チップレスＲＦＩＤ質問システム。
【請求項13】
前記テスト応答信号及び前記模擬応答信号のそれぞれを表すアレイを生成するように構成されたアレイ生成器を更に備え、前記復号化プロセッサは、前記テスト応答信号及び模擬応答信号を表すアレイを使用して前記ＲＦＩＤタグのＩＤを復号するように訓練される、請求項１２に記載のシステム。
【請求項14】
前記質問信号及び前記ＲＦＩＤタグを送信するリーダの一方又は両方の移動を制御するように構成された移動コントローラを更に備える、請求項１３に記載のシステム。
【請求項15】
前記移動コントローラが、前記ＲＦＩＤタグに対する前記リーダの角度を変更し、
前記ＲＦＩＤタグに対する前記リーダの移動位置を変更し、
前記ＲＦＩＤタグに対する前記リーダの供給源との間の距離を変更し、
前記質問信号の供給源を変更する
ように構成される、請求項１４に記載のシステム。
【請求項16】
前記移動コントローラが、前記質問信号が送信されるアンテナを選択的に起動させ、及び／又は
前記テスト応答信号が受信される受信機を選択的に起動する
ように構成される、請求項１４に記載のシステム。
【請求項17】
前記データ拡張プロセッサが、関数推定器を実施し、前記復号化プロセッサが、深層学習ネットワークを実施する、請求項１２に記載のシステム。
【請求項18】
前記関数推定器が、浅い学習ネットワークを含む、請求項１７に記載のシステム。
【請求項19】
前記復号化プロセッサが階調、及び／又は、赤色、緑色及び青色（ＲＧＢ）画像認識深層学習器を実施する、請求項１２に記載のシステム。
【発明の詳細な説明】
【背景技術】
【0001】
無線周波数識別（ＲＦＩＤ）タグは、識別装置の一種である。質問器とも呼ばれる読み取り装置によって質問されると、ＲＦＩＤタグは、符号化された識別情報（ＩＤ）を質問器に返すために、無線周波数信号を反映又は再送信する。ＲＦＩＤタグ装置は、２つの基本タイプであってもよい。チップ化ＲＦＩＤタグは、データを記憶するマイクロチップを含む。チップレスＲＦＩＤタグは、マイクロチップを含まないが、代わりに、データを記憶するために、磁気材料又はトランジスタのない薄膜回路に依存する。一般に、チップ化ＲＦＩＤタグは、コストが高くなるが、チップレスＲＦＩＤタグよりもデータ容量が大きくなる。
【発明の概要】
【0002】
いくつかの実施形態は、チップレスＲＦＩＤタグを復号する方法を含む。質問信号はＲＦＩＤタグに対する１つ以上のテスト位置から送信され、１つ以上のテスト応答信号が、ＲＦＩＤタグから受信される。テスト応答信号は、それぞれ、１つ以上のテスト位置から送信された質問信号に応答できる。質問信号の１つ以上の模擬位置に対応する１つ以上の模擬応答信号がシミュレートされる。復号化プロセッサは、テスト応答信号及び模擬応答信号を使用して、ＲＦＩＤタグの識別（ＩＤ）を復号するように訓練される。
【0003】
いくつかの実施形態は、チップレスＲＦＩＤ質問システムを対象とする。送信機は、ＲＦＩＤタグに対する１つ以上のテスト位置から質問信号を送信するように構成される。受信機は、１つ以上の位置から送信された質問信号にそれぞれ応答できるＲＦＩＤタグから１つ以上のテスト応答信号を受信する。データ拡張プロセッサは、質問信号の１つ以上の模擬位置に対応する１つ以上の模擬応答信号をシミュレートする。復号化プロセッサは、テスト応答信号及び模擬応答信号を使用して、ＲＦＩＤタグの識別（ＩＤ）を復号するように訓練される。
【0004】
いくつかの実施形態によれば、チップレスＲＦＩＤタグを復号する方法は、質問信号の少なくとも１つの読み取りパラメータを変化させることを含む。テスト応答信号は、質問信号の各変化に応答して受信される。１つ以上の模擬応答信号は、読み取りパラメータの１つ以上の変化に対してシミュレートされる。復号化プロセッサは、テスト応答信号及び模擬応答信号を使用して、ＲＦＩＤタグの識別（ＩＤ）を復号するように訓練される。
【図面の簡単な説明】
【0005】
【図1A】１０ｃｍの距離で、中点から左へ３ｃｍずれて、及び中点から右に３ｃｍずれて、質問信号を送信するアンテナの中点のすぐ前の、ＲＦＩＤタグ及び質問器の３つの相対位置を示す。
【図2】いくつかの実施形態による、ＲＦＩＤタグのＩＤ復号化手法を実施するシステムの構成要素を概念的に示すブロック図である。
【図3B】いくつかの実施形態による、訓練中のデータ拡張プロセッサを示すブロック図である。
【図3C】いくつかの実施形態による、復号化プロセッサを訓練するために使用される訓練アレイの形成を示す。
【図4】いくつかの実施形態による、データ拡張プロセッサ及び／又は復号化プロセッサに関する訓練及び再訓練段階を示すフロー図である。
【図5A】いくつかの実施形態による、第１及び第２の訓練信号のＩ及びＱ成分を示す。
【図5B】いくつかの実施形態による、訓練信号のＩ及びＱ信号成分から作成されたアレイを示す。
【図6】いくつかの実施形態による、模擬信号のＩ及びＱ信号成分から作成されたアレイを示す。
【図7】いくつかの実施形態による、２００×２００階調アレイから生成された画像の一例を示す。
【図8】いくつかの実施形態による、ｘ個の異なる位置における特定のタグ、タグ１の応答を特徴付けるアレイの一群を示す。
【図9】いくつかの実施形態による、復号化プロセッサを訓練するために使用されるタグ１、タグ２からタグｙの応答を特徴付けるアレイ群を示す。
【図10】輻輳領域（Ｒｅｇｉｏｎ Ｕｎｄｅｒ Ｃｏｎｖｅｒｇｅｎｃｅ、ＲＯＣ）曲線を示す。
【図11】テストしたいくつかの復号器アルゴリズムについて、８１個のＲＦＩＤタグサンプルセットの精度及び典型的な曲線下面積（Ａｒｅａ Ｕｎｄｅｒ Ｃｕｒｖｅ、ＡＵＣ）を示すグラフである。
【図14】いくつかの実施形態による、ＲＦＩＤタグのＩＤを復号するために、訓練された復号器を有するリーダを使用するプロセスを示すフロー図である。
【図15】いくつかの実施形態による、リーダを訓練し、ＲＦＩＤタグのＩＤを復号するためのプロセスのフロー図である。
【0006】
図面は必ずしも縮尺通りではない。図面に使用される同様の数字は、同様の構成要素を指す。しかしながら、所与の図の構成要素を指す数字の使用は、同じ数字でラベル付けされた別の図における構成要素を制限することを意図していないことが理解されるであろう。
【発明を実施するための形態】
【0007】
周波数ベースのチップレスＲＦＩＤタグは、質問器（リーダとも呼ばれる）からＲＦＩＤタグに無線周波数信号を送信することで質問されることができる。チップレスＲＦＩＤタグは質問信号を散乱（反射）し、ＲＦＩＤタグの識別（ＩＤ）データは後方散乱信号内に符号化される。使用中の多くのＲＦＩＤタグは、高価で、生産ラインのラベルとして使用するには柔軟性が足りないマイクロ波基材上に作製される。周波数ベースのチップレスＲＦＩＤタグに関する別の問題は、それらの応答が、読み取りパラメータの変化に伴い振幅及び共振周波数の両方において変化する可能性があることである。読み取りパラメータは、質問信号の強度、ＲＦＩＤタグとリーダとの間の距離、ＲＦＩＤタグとリーダの相対的な平行移動位置、及びＲＦＩＤタグへの質問波の角度及び／又はリーダへの反射された後方散乱応答波の角度などの、ＲＦＩＤタグの読み取り角度に影響を及ぼす様々な要因を含み得る。読み取り角度は、３次元で１つ以上の回転角度を包含してもよい。
【0008】
図１Ａは、相対位置１、２及び３におけるＲＦＩＤタグ及びリーダを示す。位置１では、質問波及び後方散乱波は、ＲＦＩＤタグの表面に対して垂直であり、ＲＦＩＤタグの基準点は、リーダ上の基準点から１０ｃｍである（例えば、リーダの送信又は受信アンテナアレイの中点であり得る）。位置２において、リーダは、左に３ｃｍシフトされる（－３ｃｍとして指定される）。位置３において、リーダは、右に３ｃｍシフトされる（＋３ｃｍとして指定される）。位置２及び３において、質問波及び後方散乱波は、ＲＦＩＤタグの表面に対して角度αをなす。
【0009】
図１Ｂは、リーダが、ＲＦＩＤタグに対して３つの異なる位置で配置されたときの、後方散乱ＲＦＩＤ信号の重ねられたプロットを示す。図１Ｂは、質問器が、１０ｃｍの距離でＲＦＩＤタグの直接前方に位置するとき（位置１、グラフ１０１）、左に３ｃｍずれたとき（位置２、グラフ１０２）、右に３ｃｍずれたとき（位置３、グラフ１０３）に、ＲＦＩＤタグから後方散乱した信号を示す。この実験の送信アンテナは、１３ｄＢｉの利得及び－５ｄＢｍの送信電力を有するモノスタティックホーンであった。図１Ｂの観察から、ＲＦＩＤタグがリーダに対して異なる位置に位置するときに、ＲＦＩＤタグ後方散乱信号からデータを正確に復号することの困難さを認識することができる。
【0010】
本明細書に開示される実施形態は、読み取りパラメータが変化するときにタグＩＤを得るために、ＲＦＩＤタグからの信号を復号する精度を高めるシステム及び方法を対象とする。開示される方法は、ＲＦＩＤタグが、プラスチック基材上のインク印刷によるなど、より安価な可撓性基材上に堆積されるときに特に有用である。
【0011】
本明細書に開示される方法は、例えば、深層学習ネットワークを含み得る復号化プロセッサを訓練して、質問器信号に応答して放出される後方散乱ＲＦＩＤ応答信号からＲＦＩＤタグを復号することを含む。復号化プロセッサは、１つ以上の測定されたテスト応答信号及び／又は１つ以上の模擬応答信号を使用して訓練される。テスト応答信号は、ＲＦＩＤタグに質問することと、ＲＦＩＤタグからの後方散乱応答信号を測定することによって得られる。いくつかのテスト応答信号は、少なくとも１つの読み取りパラメータが変化するいくつかの異なる質問信号に対して得られてもよい。模擬応答信号は、読み取りパラメータの変化がシミュレートされるＲＦＩＤタグの応答をシミュレートすることによって得られる。以下に提供される実施例では、変化する読み取りパラメータは、ＲＦＩＤタグ及びリーダの相対位置である。したがって、提供される実施例では、いくつかのテスト応答が、ＲＦＩＤタグ及びリーダのいくつかの異なる相対位置について得られ、模擬応答は、ＲＦＩＤタグ及びリーダの模擬相対位置に対して生成される。位置の変動について示されているが、この方法は、ＲＦＩＤタグの読み取りから読み取りまでの変動を示すことができる任意の読み取りパラメータに対して実施されてもよい。
【0012】
模擬応答信号は、任意の好適な関数推定器によって推定され得る。いくつかの実施形態では、模擬応答信号は、浅い学習ネットワークによって推定される。各応答信号（テスト又は模擬）は、いくつかの構成要素を含み得る。例えば、いくつかの実施態様では、応答信号の成分は、周波数に対する大きさ信号及び周波数に対する位相信号である。いくつかの実施態様では、応答信号の成分は、周波数に対する同相（Ｉ）信号、及び周波数に対する直交（Ｑ）信号である。開示された方法で使用されるテスト応答信号又は模擬応答信号の特色成分は、周波数、位相、偏光、振幅、Ｉ、Ｑ、又は散乱信号の任意の他の特性、あるいはこれらの任意の組み合わせであってもよい。更に、特色成分は、本明細書の実施例で使用されるような１対の成分に限定されるものではなく、任意の数の成分であってもよい。
【0013】
いくつかの実施形態によれば、テスト応答信号及び模擬応答信号からのデータは、多次元アレイ、例えば、２次元（２Ｄ）画像アレイに変換される。これらの実施形態では、多次元アレイは、深層学習ネットワークを訓練して、ＲＦＩＤタグのＩＤを復号するために使用される。
【0014】
上述のように、いくつかの実施形態によれば、ＲＦＩＤ復号システムは、深層学習ネットワークを訓練してＲＦＩＤタグを復号するために使用される模擬信号を生成する、浅い学習ネットワークを含む。浅い学習ネットワークは、典型的には、１つの隠れ層を有するが、深層学習ネットワークは、複数の隠れ層及びプーリング技術を使用する。浅い学習器は主に特徴予測のモデリングに依存するが、深層学習器は、データからより良好な表現を抽出する可能性があり、その結果、より高い精度のモデルが得られる。より一般的には、データ拡張プロセッサは、１つ以上の読み取りパラメータにおける変化に対する応答信号をシミュレートすることが可能な任意の関数推定器を備えてもよく、読み取りパラメータは、質問信号の送信に関連する送信パラメータ、又は、ＲＦＩＤタグからの応答信号の受信に関連する受信パラメータであってもよい。データ拡張プロセッサが浅い学習器である場合、浅い学習は、模擬応答信号を生成するように訓練される。データ拡張プロセッサ及び復号化プロセッサは両方とも、アルゴリズムが訓練データに対する予測を反復的に行い、アルゴリズムが許容可能なレベルの性能を達成するまで、教師によって修正される教師あり学習を使用して訓練され得る。いくつかの実施形態によれば、データ拡張プロセッサを訓練するために使用される訓練データセットは、測定されたテスト応答信号のセットである。本明細書の例示的な例として提供されるいくつかの実施形態によれば、復号化プロセッサを訓練するために使用される訓練データセットは、各タグＩＤの画像アレイ群を含むが、システムは、画像アレイに変換することなく任意のアレイデータに対して訓練され得る。
【0015】
図２は、いくつかの実施形態による、ＲＦＩＤリーダシステム２００の構成要素を示す概念ブロック図である。全ての構成要素が全てのシステム状態で使用される訳ではないことに留意されたい。図３Ａ～図３Ｄは、図２に示す構成要素が復号化プロセッサを訓練するためにどのように使用されるかを示す。図１３は、訓練が完了した後にＲＦＩＤタグを復号するために、図２に示す構成要素がどのように使用されるかを示す。
【0016】
図３Ａは、データ拡張プロセッサ２３０を訓練するために使用されるテスト応答信号の収集中のシステム２００の構成要素を示す。テスト応答信号の収集中、送信機電子機器２１０は、送信アンテナ２０１を介して、質問信号をＲＦＩＤタグに送信する。質問信号は、周波数帯域、例えば、５７～６４ＧＨｚの帯域を掃引する連続波（ＣＷ）信号であってもよい。いくつかの実施形態では、質問信号は、代わりに周波数変調された連続波（ＦＭＣＷ）であってもよい。
【0017】
受信アンテナ２０２は、質問信号に応答して、ＲＦＩＤタグ２９９から後方散乱信号を受信する。受信機電子機器２２０は、受信信号を処理し、本明細書でより詳細に論じられるように、Ｉ及びＱ信号、又は大きさ及び位相信号などの成分信号を提供する。アンテナ２０１、２０２は、例えば、モノスタティックホーンアンテナ、バイスタティックアンテナ、又は多入力多出力（ＭＩＭＯ）アンテナ構成に配置されたアンテナのアレイなどの任意の種類の好適なアンテナを備えてもよい。
【0018】
前述したように、テスト応答信号は、読み取りパラメータのいくつかの変化に対して収集されてもよい。一例として、ＲＦＩＤタグ２９９に対するリーダ２００の位置は、図２～図３Ｄの実施形態で変化する読み取りパラメータである。システム２００は、ＲＦＩＤタグ及びリーダの相対的な移動を制御し、及び／又はＴｘ、Ｒｘアンテナ選択を制御するコントローラ２６０を含む。いくつかの実施形態によれば、移動コントローラ２６０は、１つ以上のテスト位置への、ＲＦＩＤタグ２９９とリーダシステム２００との間の相対的移動を提供する。例えば、様々な実施形態では、コントローラ２６０は、ＲＦＩＤタグ２９９をリーダ２００に対して移動させてもよく、又はコントローラ２６０は、リーダ２００をＲＦＩＤタグ２００に対して移動させてもよく、又はコントローラ２６０は、リーダ２００及びＲＦＩＤタグ２９９の両方を互いに対して移動させることができる。
【0019】
別の例として、いくつかの実施形態では、Ｔｘアンテナ２０１及びＲｘアンテナ２０２は、多入力多出力（ＭＩＭＯ）アンテナアレイ内に配置された複数のアンテナを含んでもよい。このシナリオでは、コントローラ２６０は、質問信号の送信に使用するために異なるＴｘアンテナを選択することができ、及び／又は、異なるＲＦＩＤタグ２９９からの後方散乱応答信号の受信に使用するために異なるＲｘアンテナを選択することができる。Ｔｘ及びＲｘアンテナのＭＩＭＯアレイから異なるＴｘ及び／又はＲｘを選択することにより、リーダ２００とＲＦＩＤタグとの間の相対位置が効果的に変化する。
【0020】
いくつかの実施形態は、ＭＩＭＯアレイにおけるＴｘ及び／又はＲｘアンテナの選択に加えて、ＲＦＩＤタグ２９９及び／又はリーダ２００の物理的移動の両方を含む。そのようなシナリオでは、ＭＩＭＯアレイからＴｘ及び／又はＲｘアンテナを選択することにより、テスト応答信号を収集するために必要とされるＲＦＩＤタグ２９９及び／又はリーダ２００の物理的移動の数、又は物理的移動の範囲の低減をもたらし得る。
【0021】
図３Ｂは、訓練中のデータ拡張プロセッサ２３０を示す。データ拡張プロセッサ２３０の訓練段階中、測定されたテスト応答信号は、データ拡張プロセッサ２３０を訓練して、ＲＦＩＤタグ２９９とリーダ２００の追加の模擬相対位置に対する追加の模擬応答信号を生成するために使用される。図３Ｂに示すように、データ拡張プロセッサは、タグＩＤ、周波数、及びテスト応答信号の位置を与えられるとき、テスト応答信号の成分、例えば、Ｉ及びＱ又は大きさ及び位相を出力するように訓練される。図３Ａ及び３Ｂに示される訓練プロセスの後は、データ拡張プロセッサ２３０は、ＲＦＩＤタグ２９９及びリーダ２００の模擬位置について模擬応答信号を出力するように訓練されている。
【0022】
図３Ｃは、深層ネットワーク学習器として実施され得る復号化プロセッサ２５０を訓練するために使用される訓練データの形成を示す。訓練されたデータ拡張プロセッサ２３０は、タグＩＤ、周波数、及び模擬位置を与えられるとき、模擬応答信号を出力する。データ拡張プロセッサ２３０によって生成されたテスト応答信号及び模擬応答信号の両方は、アレイ生成器２４０に入力される。前述のように、各テスト応答信号及び各模擬応答信号は、２つの成分を含んでもよい。例えば、いくつかの実施態様では、テスト応答信号及び模擬応答信号の成分は、周波数に対する大きさ信号及び位相信号である。いくつかの実施態様では、テスト応答信号及び模擬応答信号の成分は、周波数に対する同相（Ｉ）信号及び直交（Ｑ）信号である。アレイ生成器２４０は、テスト応答信号及び模擬応答信号の成分信号（大きさ及び位相又はＩ及びＱ）のデータ点値を、多次元アレイに配置する。アレイ生成器２４０はまた、各多次元アレイを、ｐｏｒｔａｂｌｅ ｇｒａｐｈｉｃｓ ｎｅｔｗｏｒｋ（ｐｎｇ）フォーマット、タグ付き画像ファイルフォーマット（ｔｉｆｆ）、又は別の好適な画像フォーマットなどの画像フォーマットに変換してもよい。テスト応答信号及び模擬応答信号の値から形成された画像アレイの群２４５は、復号化プロセッサ２５０を訓練して、ＲＦＩＤタグ２９９のＩＤを復号するために使用される。図３Ｃは、ＲＦＩＤタグ１、２、３及びｙに対応するアレイの４つの群２４５－１、２４５－２、２４５－３、２４５－ｙを示す。各群２４５－１、２４５－２、２４５－３、２４５－ｙは、特定のＲＦＩＤタグのためのテスト応答信号から形成される画像アレイと、模擬応答信号から形成される画像アレイとを含む。
【0023】
図３Ｄは、復号化プロセッサ訓練段階中のシステム２００の構成を示すブロック図である。テスト応答信号及び模擬応答信号の両方から形成された画像アレイを含むアレイ２４５の群は、復号化プロセッサ２５０を訓練して、ＲＦＩＤタグからＩＤを復号する。
【0024】
図４は、様々な読み取りパラメータがＲＦＩＤタグの位置であるときの、訓練段階中のシステム２００の動作を示すフロー図である。データ拡張訓練段階（図４のフロー図のブロック４０５～４１５）の間、テスト応答信号は、各テスト位置について、１つ以上のテスト位置から質問信号を送信４０５し、ＲＦＩＤタグから後方散乱したテスト応答を受信４１０することによって、テスト応答信号が取得される。取得したテスト信号を使用して、データ拡張プロセッサを訓練４１５して、模擬応答信号データを提供する。
【0025】
深層学習復号化プロセッサは、訓練及び検証のために大量のデータを必要とする。質問信号の多くの異なる位置からテスト応答信号を測定することは時間消費プロセスであり得るため、得られるテスト応答信号の数は限定される。データ拡張プロセッサは、一旦適切に訓練されると、多くの模擬位置から大量の模擬応答信号を迅速に生成することができる４２０。データ拡張プロセッサは、例えば、約１ｍｍの位置分解能に応答信号をシミュレートすることができる。拡張データプロセッサからの模擬応答信号及びテスト応答信号は、訓練の次の段階で、深層学習ネットワークを訓練するために使用することができる。前述のように、テスト応答信号及び模擬応答信号は、復号化プロセッサを訓練するために使用される２Ｄ画像アレイに変換することができる。
【0026】
復号化プロセッサ訓練段階の間（図４のフロー図のブロック４２５）、復号化プロセッサは、ＲＦＩＤタグのＩＤを復号するように訓練される。復号化プロセッサ、例えば、深層学習器は、テスト応答信号及び模擬応答信号を使用して訓練４２５される。本明細書で論じられるように、テスト及び模擬応答信号は、復号化プロセッサを訓練するために使用される前に、画像形式の２Ｄアレイに変換されてもよい。
【0027】
図４のフロー図の検証段階（ブロック４３０～４４５は、復号化プロセッサ訓練段階の後に実施されてもよい。リーダは、検証質問信号を送信し、ＲＦＩＤタグから後方散乱検証応答信号を受信する。復号化プロセッサは、検証応答信号内に存在するタグＩＤを復号する。教師は、タグＩＤが正しいか不正確であるかを判定する。不正確な場合、再訓練が行われる。再訓練は、復号化プロセッサを再訓練するために検証応答信号を使用することを含むことができる。代替的に又は追加的に、再訓練は、検証応答信号を使用してデータ拡張プロセッサを再訓練して、追加の模擬応答信号を生成することを含むことができる。次いで、復号器は、追加の模擬応答信号及び／又は検証応答信号を使用して再訓練される。
【0028】
復号化プロセッサを訓練する前に、テスト応答信号及び模擬応答信号は、テスト及び模擬応答信号のそれぞれの値を多次元アレイに配列するアレイ生成器（図２の２４０）に提供されてもよい。復号化プロセッサは、テスト応答信号及び模擬応答信号のために作成されたアレイを使用して訓練される。図５Ａ、図５Ｂ及び図６は、テスト信号及び応答信号からのアレイの作成を示す。この実施例は、２つのテスト信号が取得され、ｘ個の模擬信号が生成され、各信号にｍ個のデータ点が存在すると想定する。
【0029】
図５Ａは、第１及び第２のテスト信号のＩ及びＱ成分を概念的に示す。図５Ａでは、グラフ５１１は、第１のテスト位置から送信された質問信号に応答する第１のテスト応答信号のＩ対周波数成分であり、グラフ５１２は、第１のテスト位置から送信された質問信号に応答する第１のテスト応答信号のＱ対周波数成分であり、グラフ５２１は、第２のテスト位置から送信された質問信号に応答する第２のテスト応答信号のＩ対周波数成分であり、グラフ５２２は、第２のテスト位置から送信された質問信号に応答する第２のテスト応答信号のＱ対周波数成分である。
【0030】
グラフ５１１は、それぞれ３つの周波数ｆ１、ｆ２、ｆｍで取られた第１のテスト応答信号のＩ成分の３つのデータ点値ｎ１、ｎ２、ｎｍを示している（他のデータ点値も取得されるが、図示されていない）。グラフ５１２は、それぞれ３つの周波数ｆ１、ｆ２、ｆｍで取られた第１のテスト応答信号のＱ成分の３つのデータ点値ｐ１、ｐ２、ｐｍを示している（他のデータ点値も取得されるが、図示されていない）。同様に、グラフ５２１は、それぞれ３つの周波数ｆ１、ｆ２、ｆｍで取られた第２のテスト応答信号のＩ成分の３つのデータ点値ｎ１、ｎ２、ｎｍを示している（他のデータ点値も得られるが、図示されていない）。グラフ５２２は、３つの周波数ｆ１、ｆ２、ｆｍで取られた第２のテスト応答信号のＱ成分の３つのデータ点値ｐ１、ｐ２、ｐｍをそれぞれ示す（他のデータ点値も得られるが、図示されていない）。グラフ５１１、５２１は、それぞれ取得され得る周波数ｆ１、ｆ２、．．．ｆｍで取られた多くのデータ点値ｎ１、ｎ２を含み、グラフ５１２、５２２は多くのデータ点ｐ１、ｐ２、．．．ｐｍを含むことが理解されるであろう。
【0031】
図６では、データ拡張プロセッサ２３０は、質問信号のｘ個の模擬位置にそれぞれ対応するｘ個の模擬信号のためのＩ及びＱ成分をシミュレートする。
【0032】
図５Ｂ及び図６に示されるように、テスト応答信号及び模擬応答信号のＩ及びＱ信号成分はアレイ生成器２４０に入力され、これは各応答信号のＩ及びＱ成分に対するデータ点値ｎ１、ｎ２、．．．及びｐ１、ｐ２、．．．を２次元アレイ５４０、５５０、６４０、６５０、６６０に編成する。図５Ｂは、Ｉ及びＱ信号成分５１１及び５１２から作成されたアレイ５４０、並びにＩ及びＱ信号成分５２１及び５２２から作成されたアレイ５５０を示す。図６は、第１の模擬信号のＩ及びＱ信号成分から生成されたアレイ６４０、第２の模擬信号のＩ信号成分及びＱ信号成分から生成されたアレイ６５０、並びに第ｘの模擬信号のＩ及びＱ信号成分から作成されたアレイ６６０を示す。アレイを作成するために、Ｉ及びＱ成分値は、例えば０～２５５のスケールに正規化されてもよい。いくつかのシナリオでは、Ｉ及びＱ成分信号のデータ点は、図５Ｂ及び６に示すように、Ｉ値（ｎ１、ｎ２、ｎ３、．．．ｎｍ）及びＱ値（ｐ１、ｐ２、ｐ３、．．．．．．ｐｍ）が、アレイ内で交互になる（ｎ１、ｐ１、ｎ２、ｐ２、ｎ３、ｐ３．．．ｎｍ、ｐｍ）ようにインタレースされてもよい。いくつかの実施形態では、各Ｉ又はＱ成分信号に対するデータ点の数ｍは、約４０，０００に等しくてもよく、アレイ５４０、５５０、６４０、６５０、６６０は、２００×２００アレイとして配列されてもよい。
【0033】
図５Ｂ及び図６に示されるように、アレイ生成器は、アレイ５４０、５５０、６４０、６５０、６６０を画像アレイ５４１、５５１、６４１、６５１、６６１に変換することができ、画像アレイは、例えば階調又はＲＧＢアレイであってもよい。画像アレイは、ｐｎｇフォーマット若しくはｔｉｆｆフォーマットなどの任意のグラフィックファイルフォーマットであってもよく、及び／又はｑｕｉｃｋ ｒｅｓｐｏｎｓｅ（ＱＲ）コードのサイズを有してもよい。Ｉ及びＱ成分アレイ５４０、５５０、６４０、６５０、６６０の画像アレイ５４１、５５１、６４１、６５１、６６１への変換は、復号化プロセッサとして画像認識深層学習器の使用を容易にする。
【0034】
図７は、２００×２００階調アレイから生成された画像の一例を示す。１ｍｍの位置分解能を有する各ＲＦＩＤタグについて、複数のテスト及び模擬位置のそれぞれに対して画像アレイを作成することができる。画像アレイは、復号化プロセッサの深層学習器ネットワークを訓練するために、訓練段階の次の部分で使用される。深層学習器は、典型的には、多くの画像及び訓練するＧＰＵを有する強力なマシンを必要とする。訓練プロセスは、ＧｏｏｇｌｅＮｅｔ又はＡｌｅｘＮｅｔなどの既に訓練された画像認識深層ネットワークを選択し、取得されたデータに適応するために深層ネットワークの初期層を修正し、出力層の最後の段階を、ＲＦＩＤタグ復号のための所望の結果に対応するように適合させることによって合理化され得る。
【0035】
一例として、全ての事前訓練されたネットワークは、入力及び出力用の自身の構造を有する。ＧｏｏｇｌｅＮｅｔ及びＡｌｅｘＮｅｔ用の入力は、２２４＊２２４＊３画素のサイズを有する真のカラー画像である。アレイ生成器によって生成されるアレイは２００＊２００＊３であってもよく、その結果、事前訓練された深層学習器ネットワークの第１の層は、開示される実施形態による、２Ｄアレイ生成器によって生成されるアレイの入力画像フォーマットに一致するように調整することができる。
【0036】
図８は、ｘ個の異なる位置における特定のタグであるタグ１の応答を特徴付ける画像アレイ５４１、５５１、６４１、６５１、６６１の群９０１を示す。アレイ５４１、５５１、６４１、６５１、６６１のこの群９０１は、復号化プロセッサ２５０を訓練してタグ１のＩＤを復号するために使用される。図９は、タグ１、タグ２からタグｙの応答を特徴付けるアレイの群９０１、９０２、９０３から９０４を示す。各群９０１、９０２、９０３から９０４は、ｘ個の異なるテスト位置及び模擬位置における関連タグのアレイを含む。アレイの群９０１、９０２、９０３から９０４は、復号化プロセッサ２５０を訓練して、タグ１、タグ２．．．～タグｙのＩＤを復号するために使用される。
【0037】
機械学習のためのアルゴリズムを選択及び最適化するための多くの技術が存在し、これらは当業者には既知である。より大きい訓練セットは、通常、新しいデータをよりよく一般化するモデルを提供する。最良の結果を選択するために考慮されるべきパラメータは、訓練の速度、メモリ使用、予測の精度、及び解釈可能性（すなわちアルゴリズムの背後の理由がどの程度容易に理解可能であるか）である。１つの方法は、利用可能な全ての分類の結果を比較すること、初期結果を取得すること、及び良好な精度／曲線下面積（ＡＵＣ）で初期結果を詳細に調整することを含む教師あり訓練法である。ここでのデータ精度は、検証データにおける正確な一致の割合として定義される。検証のために使用されるデータは、訓練に使用されない。例えば、訓練データの約７０パーセントを訓練に使用することができ、約２０パーセントの偏りのないデータを検証／確認のために、そしてテストのために約１０パーセントを使用してもよい。曲線下面積とは、輻輳（ＲＯＣ）曲線の領域下領域によって測定される精度を指す。ＲＯＣ曲線は偽陽性率（ＦＰＲ）に対して真陽性率（ＴＰＲ）でプロットされ、ここでＴＰＲは図１０に示すようにｙ軸上にあり、ＦＰＲはｘ軸上にあり、
【0038】
【数1】
【0039】
である。
【0040】
いくつかのアルゴリズムを、いくつか例を挙げれば、細かい木、中程度の木、粗い木、線形判別、２次、細かいＫ最近傍（ＫＮＮ）、中程度のＫＮＮ、粗いＫＮＮ、重み付きＫＮＮ、ブースティング木、バギング決定木、部分空間、部分空間ＫＮＮを含むＲＦＩＤタグ復号について、いくつかのアルゴリズムをテストした。図１１は、テストしたアルゴリズムのうちのいくつかについて、８１個のＲＦＩＤタグサンプルセットの精度及び典型的なＡＵＣを示すグラフである。
【0041】
この特定の実験について、精度及び曲線下面積（ＡＵＣ）を考慮すると、ＲＦＩＤタグ復号化の最良のアルゴリズムは、密ガウスサポートベクターマシン（ＳＶＭ）、細かい及び重み付きＫＮＮ、バギング決定木、及び部分空間ＫＮＮアンサンブル、又は同様のものであることが見出された。９６％の検出速度は、部分空間ＫＮＮに達した。
【0042】
図１２は、重ねられた精度及び訓練時間のグラフを示す。システムに新しいタグを追加することは、ネットワークの更なる訓練を必要とする。したがって、新しいタグを追加する柔軟性が所望される場合には、バギング決定木又はコサインＫＮＮなどの訓練に長い時間を要するアルゴリズムが最適下限である。細かいＫＮＮは、訓練時間及び精度の両方において非常に良好な歩み寄りを示し、また、精度及びその性能は、開示された出願に対して非常に満足できる。
【0043】
図１３は、復号化プロセッサが訓練された後に生じる、ＲＦＩＤタグ復号化段階中のシステム２００を示すブロック図である。図１４は、訓練された復号器を使用してＲＦＩＤタグのＩＤを復号するプロセスを示す、対応するフロー図である。システム２００は、ＲＦＩＤタグに質問信号を送信し１４１０、ＲＦＩＤタグ２９９から応答信号を受信する１４２０。応答信号は、応答信号を特徴付けるアレイを生成するアレイ生成器２４０に提供される１４３０。前述のように、いくつかの実施形態では、アレイは、階調アレイなどの２Ｄ画像アレイであってもよい。アレイは、本明細書で論じられるように、Ｉ及びＱ信号成分からの、インタレースされたデータ点の２００×２００アレイを含み得る。アレイは、特定のＲＦＩＤタグのＩＤに対応するアレイを認識する１４４０、訓練された復号化プロセッサ２５０に入力される。復号化プロセッサ２５０は、その出力でタグＩＤを提供する。
【0044】
図１５は、いくつかの実施形態による、システムを訓練し、ＲＦＩＤタグのＩＤを復号するためのプロセスのフロー図である。復号化プロセッサの深層学習ネットワークを訓練するために、異なるＲＦＩＤタグが調製される１５１０。同じリーダが全てのＲＦＩＤタグを読み取る１５２０ために使用される場合、有用であり得る。異なるタグリーダ及び／又はタグ移動コントローラ（例えば、線形レール又はＭＩＭＯ上の移動）が存在する場合、これらのタグリーダ及び／又は移動コントローラは、同様の結果を生成するように較正又は統合され得る。
【0045】
前述のように、質問信号は、対象の周波数帯域、例えば、５７～６４ＧＨｚをカバーするＣＷ信号又はＦＭＣＷ信号であってもよい。背景雑音のＩ及びＱ（又は大きさ及び位相）成分は、ＲＦＩＤタグの非存在下質問信号を送信し、後方散乱雑音信号を読み取ることによって得ることができる。
【0046】
ＲＦＩＤタグからのテスト応答信号が得られ、背景雑音は、テスト応答信号のＩ及びＱ（又は大きさ及び位相）成分から減算される１５３０。データ拡張プロセッサの浅いネットワークは、タグＩＤ、周波数、及び位置が入力として提供され、また模擬応答信号の散乱パラメータ値（例えば、Ｉ及びＱ（又は大きさ及び位相）の値）成分が出力として提供される教師あり学習によって、訓練されることができる１５４０。データ拡張プロセッサによって使用されるアルゴリズムは、結果の精度、訓練時間、及びカバーできる領域を考慮することによって選択することができる。
【0047】
訓練されたデータ拡張プロセッサは、より多くのデータを提供し１５５０、テストデータ間のデータ取得におけるギャップをカバーすることができる。例えば、テストデータは、数センチメートルの位置分解能を提供することができる。模擬データは、位置分解能を約１ミリメートルまで増加させることができる。拡張されたデータ（模擬応答信号）を備えたＲＦＩＤタグの場合、ＲＦＩＤタグとリーダの多くの相対位置に対してＩ及びＱ信号成分が存在する場合がある。
【0048】
Ｉ及びＱ成分信号のデータ点は、インタレースされてもよく、次いで、２Ｄアレイに配置されてもよい１５６０。アレイの寸法は、周波数走査の解像度に依存する。データは、例えば、０～２５５の範囲のスケールに対応して正規化することができ、次いで、例えば、ｐｏｒｔａｂｌｅ ｎｅｔｗｏｒｋ ｇｒａｐｈｉｃ（ｐｎｇ）又はタグ付き画像ファイルフォーマット（ｔｉｆｆ）などの任意のグラフィックファイルフォーマットの階調画像に配置されてもよい。事前訓練された深層学習器に色画像が必要とされる場合、この画像はまた、階調ファイルの２つの追加のコピーを生成することによってＲ、Ｇ、及びＢ成分について複製することもできる。これらの３つのファイルは、Ｒ、Ｇ、及びＢ成分として割り当てることができる。
【0049】
深層学習ネットワークの訓練１５７０は時間がかかり、事前訓練を受けたネットワークの使用は訓練時間を短縮することができる。事前訓練されたネットワークの第１の入力層は、例えば、アレイ生成器によって生成された画像のサイズ及び／又はフォーマットに調整するようにカスタマイズされてもよい。最終層（通常、パターン認識器）は、修正されてもよい。既に訓練されたネットワークが、いくつかの既知の入力層及び出力層を有していてもよい。これらの層は、本明細書に開示される実施形態に適合するように調整されてもよい。例えば、深層学習器の入力は、２００＊２００＊３画像を受け入れるように修正されてもよく、出力は、ＲＦＩＤタグのタグＩＤを認識するように修正されてもよい。一例として、ＧｏｏｇｌｅＮｅｔ及びＡｌｅｘＮｅｔへの入力は、ａｐｐｌｅの２２４＊２２４＊３のトゥルーカラー画像であってもよく、出力は「Ａｐｐｌｅ」である。これらの深層学習器は、開示される実施形態のフォーマットに従ってＲＧＢファイルを受け入れ、タグＩＤを出力するように修正することができる。
【0050】
深層学習器ネットワーク訓練が完了した後、ＲＦＩＤタグ質問器の質問信号の供給源に対して異なる位置に配置されたＲＦＩＤタグは、正しく復号されることができる。システムは、質問信号を送信し、ＲＦＩＤタグ応答信号を受信することにより、ＲＦＩＤタグに質問する。応答信号のＩ及びＱ成分のデータ点は、ＱＲ形状の階調画像アレイを作製するためにインタレースされる。このアレイは、復号用の深層学習器ネットワークに提示される。誤って復号された場合、復号化プロセッサは、誤って復号された画像ファイル及び真のタグＩＤで再訓練されて、後からこの認識誤りを訂正することができる。
【0051】
上記で論じされた実施形態の様々な修正及び変更は、当業者には明らかであり、本開示は、本明細書に記載される例示的な実施形態に限定されないことを理解されたい。読者は、１つの開示された実施形態の特徴が、別段の指示がない限り、全ての他の開示された実施形態にも適用され得ると想定する必要がある。本明細書で参照される全ての米国特許、特許出願、特許出願公開、並びに他の特許及び非特許文献は、それらが前述の開示と矛盾しない範囲で、参照により組み込まれることも理解されたい。
【図1A】
【図1B】
【図2】
【図3A】
【図3B】
【図3C】
【図3D】
【図4】
【図5A】
【図5B】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】