1
UNIVERSITÀ DI PISA
SCUOLA DI INGEGNERIA
CORSO DI LAUREA MAGISTRALE IN
INGEGNERIA DELLE TELECOMUNICAZIONI
Anno Accademico 2017 – 2018
Tesi di Laurea Magistrale
La tecnologia UHF-RFID per la gestione inventariale in
tempo reale in scenari indoor
Candidato: Fabio Bernardini
Relatori:
Prof. Paolo Nepa Prof. Giuliano Manara
2
INDICE
INDICE ... 2
RINGRAZIAMENTI ... 4
INTRODUZIONE ... 5
1 LOCALIZZAZIONE DI OGGETTI MEDIANTE SISTEMI RFID ... 7
1.1 Descrizione di un sistema RFID generico... 7
1.2Stato dell’arte riguardo inventario in ambienti indoor mediante robot ... 8
1.2.1Robot mobile munito di sistema RFID per inventario di libri ... 10
1.2.2Robot mobile munito di sistema RFID e interfaccia utente per selezionare oggetti13 1.2.3AuRoSS: sistema robotico per scansione automatica ... 14
1.2.4Robot munito di sistema RFID per scansione automatica di mensole di libreria .. 16
1.2.5Robot mobile munito di sistema RFID ed interfaccia utente per selezionare oggetti22 1.2.6 Sistema robotico per la localizzazione di tag UHF-RFID posti su mensole ... 25
1.3Stato dell’arte riguardo inventario in ambienti outdoor con droni ... 31
1.3.1Localizzazione di tag RFID per monitoraggio ambientale ... 32
1.3.2Localizzazione di tag UHF-RFID utilizzando dei droni ... 34
1.4Soluzioni industriali per inventario in ambienti indoor con robot ... 37
1.4.1AdvanRobot ... 37
1.4.2Tory ... 38
1.4.3Robi ... 38
1.4.4 Navii ... 38
1.5SLAM, Data Fusion e Sensori. ... 39
2 RICHIAMI TEORICI SULLE TECNICHE DI LOCALIZZAZIONE DI TAG RFID42 2.1Teoria di Base ... 42
2.2Tecniche di localizzazione che usano la fase ... 46
2.3Tecniche SD-PDOA con approccio SAR ... 47
2.3.1Tecnica dell’Inverse SAR per localizzare tag RFID ... 49
2.3.2SARFID... 55
3
2.4Tecniche di ottimizzazione numerica. ... 70
3 RISULTATI DELLE SIMULAZIONI CON DATI NUMERICI ... 78
3.1Simulazioni con l’ausilio di SARFID ... 79
3.2Simulazioni con l’ausilio dell’algoritmo di ottimizzazione di Levemberg-Marquardt .. 81
3.3Simulazioni con l’ausilio di SARFID con griglia lasca congiuntamente all’algoritmo di ottimizzazione numerica di Levemberg-Marquardt ... 84
4 RISULTATI SPERIMENTALI RELATIVI AGLI ALGORITMI PROPOSTI ... 86
4.1Risultati sperimentali con l’ausilio di SARFID ... 92
4.2Risultati sperimentali con l’ausilio di Levemberg-Marquardt ... 97
4.3Risultati sperimentali con l’ausilio di SARFID con griglia lasca congiuntamente con l’algoritmo di ottimizzazione numerica di Levemberg-Marquardt ... 101
CONCLUSIONI ... 105
4
RINGRAZIAMENTI
Si ringraziano per il lavoro svolto in questo elaborato i miei relatori: il Prof. Paolo Nepa ed il Prof. Giuliano Manara. Ringrazio tutto il MRL del DII dell’Università di Pisa per la disponibilità mostratami.
Si ringrazia il Prof. Paolo Tripicchio e il Prof. Matteo Unetti, per la disponibilità data per effettuare le misure in laboratorio.
Ringrazio vivamente lo studente del Corso di Dottorato in Ingegneria dell’Informazione Andrea Motroni, per il suo costante aiuto teorico e pratico dato nella stesura di questo elaborato.
Ringrazio i miei genitori per avermi supportato economicamente e moralmente in questi anni di studio.
Ringrazio i miei colleghi di corso per questi anni di studio passati assieme. Ringrazio gli amici del mio paese che mi sono sempre stati vicini.
5
INTRODUZIONE
Il sistema RFID (Radio Frequency IDentification) ha subito un notevole aumento di interesse nell’ambito dell’identificazione e della localizzazione di oggetti statici e dinamici in determinati scenari. Questo grazie anche agli sviluppi tecnologici che hanno subito i tag passivi, economicamente più vantaggiosi rispetto a quelli attivi e semi-attivi.
L’interesse è rivolto soprattutto nell’utilizzare tale sistema per inventario e localizzazione di oggetti in vari scenari indoor di interesse come negozi, librerie, biblioteche e magazzini aziendali.
Per questo molti gruppi di ricerca si stanno focalizzando attorno allo sviluppo di algoritmi di localizzazione basati su questa tecnologia i quali, in generale, una volta conosciuta la traiettoria del reader RFID che interroga i tag mentre si sta muovendo, riescono a definire la posizione del tag all’interno dell’ambiente in cui si trovano, definendo così l’inventario e la loro posizione.
In questo elaborato sono stati studiati e sviluppati degli algoritmi di localizzazione di oggetti taggati in ambiente indoor. Lo scenario considerato è quello di un robot su cui sono stati posizionati un reader RFID e due antenne che si muove lungo una certa traiettoria in un ambiente indoor e interroga i tag circostanti. Tale scenario fa riferimento ad un eventuale applicazione di tale sistema in uno degli ambienti indoor di cui si è parlato prima.
L’obbiettivo è stato quello di studiare e sviluppare algoritmi aventi errori di stima sotto i 50 cm e tempi di esecuzione per singolo tag sotto al secondo (1 s): il primo valore è stato scelto perché accettabile per gli scenari descritti prima, il secondo per un eventuale applicazione dell’algoritmo in sistemi real time.
6 Nel Capitolo 1 vengono descritte le caratteristiche un generico sistema RFID ed analizzato l’attuale stato dell’arte accademico e industriale per quanto riguarda la localizzazione di oggetti mediante sistemi RFID montati su robot o droni.
Nel Capitolo 2 vengono mostrate le tecniche di localizzazione basate sulla fase, in particolare le tecniche basate sul principio del SAR (Synthetic Aperture Radar) come SARFID. Vengono successivamente presentate le tecniche di ottimizzazione numerica che poi verranno utilizzate sulle simulazioni e sulle misure per ridurre i tempi di esecuzione.
Nel Capitolo 3 vengono applicate le tecniche descritte nel capitolo precedente su dati simulati e vengono comparate in termini di tempo di esecuzione ed errore medio di localizzazione.
Nel Capitolo 4 vengono invece applicate le tecniche descritte in precedenza su dati misurati, ottenuti da una campagna di misure effettuata nel laboratorio del TECIP della scuola Sant’Anna.
7
1 LOCALIZZAZIONE DI OGGETTI MEDIANTE
SISTEMI RFID
1.1 Descrizione di un sistema RFID generico
Un sistema RFID generico [1][2] è composto da:
Tag: un trasponder RF dotato di un’antenna, di una memoria e di un chip, collocato sull’oggetto da localizzare o utilizzato come riferimento. I tag possono essere:
Passivi: senza batteria, vengono alimentati dal segnale inviato dal reader.
Semi-passivi: aventi batteria, ma che viene adoperata solo per funzioni che non includono la trasmissione del segnale al reader, la quale avviene comunque tramite backscattering modulato.
Attivi: aventi la batteria che usano sempre, dunque costantemente alimentati.
Nel nostro studio ci interesseremo solo di tag passivi, essendo anche quelli più economici.
Reader: un interrogatore, un ricetrasmettitore a RF, collegato ad una o più antenne. Utilizzato per inviare e ricevere il segnale dal tag. A seconda dei casi può misurare uno o più parametri del segnale ricevuto contemporaneamente.
Sistema di gestione/elaborazione: sistema informatico che provvede a raccogliere i dati in un file ed elaborare i parametri considerati del segnale ricevuto secondo una certa tecnica.
8
Figura 1.1 Generico sistema RFID
Il principio su cui si basa l’identificazione di un oggetto mediante un sistema RFID è quello del Modulated Backscatter: il reader invia un segnale a RF per interrogare eventuali tag presenti nello scenario in cui si trova. L’eventuale tag presente che riceve tale segnale utilizza l’energia ricevuta per autoalimentarsi (consideriamo, per fissare le idee, un tag passivo), poi risponde reirradiando il segnale comunicando il proprio codice EPC (Electronic Product Code) usando un interruttore elettronico presente nel proprio chip, per modulare il segnale retrodiffuso. Il reader è in grado di leggere questo codice e misurare due parametri portati dal segnale: l’RSSI (Received Signal Strength Indicator) e la fase, termine che dipende linearmente dalla distanza tra reader e tag. L’RSSI e la fase verranno descritti più dettagliatamente nel capitolo successivo.
1.2
Stato dell’arte riguardo inventario in ambienti indoor mediante
robot
In questo paragrafo vedremo alcuni esempi di applicazione di un sistema RFID per effettuare inventario e localizzazione di oggetti in scenari indoor quali negozi, farmacie, librerie o biblioteche. L’idea che sta alla base di tutti gli ambienti proposti è quella di utilizzare un robot munito di un sistema RFID che muovendosi
9 liberamente nello scenario, rivela gli oggetti dotati di tag e, attraverso una certa elaborazione, è in grado di stabilire dove sono localizzati i prodotti nell’ambiente. Il robot deve essere quindi in grado di autolocalizzarsi all’interno dello scenario, creando una mappa dell’ambiente e degli ostacoli da evitare (tramite una procedura che in letteratura è nota come SLAM – Simultaneous Localization and Mapping [3]. Per questo, si ricorre spesso a numerosi altri sensori a bordo tra cui in particolare LRF (Laser Range Finder) [4], Encoder è [5], Sonar è [6], Telecamere [7] e dispositivi UWB [8].
In generale vi è un trade off tra fascio stretto dell’antenna per aumentare la risoluzione nella localizzazione e fascio largo per rivelare molti tag simultaneamente.
Inoltre i problemi da considerare in generale sono:
Livelli di rumore ambientale: interferenze esterne intenzionali o non intenzionali che possono coprire la risposta del tag.
Vicinanza di altri tag: i tag possiedono un circuito risonante alla frequenza di trasmissione del reader. Altri tag possono modificare la frequenza di risonanza del circuito, essendo visti come capacità parassite.
Vicinanza di oggetti metallici: la vicinanza di oggetti metallici può modificare la frequenza di risonanza della circuiteria del tag.
Fenomeno dei cammini multipli: considerando un ambiente indoor, la presenza di un canale multipath è quasi sempre assicurata e causa un’interferenza nel segnale ricevuto.
I criteri per valutare le performance di un sistema di questo tipo sono in generale: 1. Percentuale dei tag localizzati rispetto al totale dei tag presenti (accuratezza di
inventario).
2. Tempo di esecuzione dell’inventario.
3. In caso sia prevista la localizzazione del tag: valor medio e deviazione standard dell’errore di localizzazione.
10
1.2.1 Robot mobile munito di sistema RFID per inventario di libri
Nello scenario presentato in [9] si vuole fare inventario di libri presenti su una mensola di una libreria o di una biblioteca. La tecnica utilizzata per localizzare i libri fa uso di un approccio probabilistico basato su un aggiornamento ricorsivo bayesiano. Il robot è equipaggiato con sistema RFID ad un’antenna ed è capace di muoversi parallelamente alle mensole. I tag sono applicati ai libri.
Un primo esperimento è stato eseguito tramite simulazione su calcolatore, con un reader ed una mensola virtuali. Le letture sensoriali sono state generate secondo il modello sensoriale descritto in figura e costruite nel seguente modo: è stato piazzato un tag ad intervalli regolari spaziati di 2.5 mm. L’operazione è stata ripetuta per 20 tag e ad ogni spostamento si osservava se il tag veniva letto. Il modello sensoriale ottenuto è mostrato in figura 1.2.
Figura 1.2 Modello sensoriale utilizzato nel primo esperimento, ottenuto da misure reali
In questo esperimento si è ottenuto un errore medio di 0.33 cm ed un errore massimo di 0.7 cm.
11 Tale esperimento è stato poi ripetuto manualmente con un robot. L’errore medio è di 0.66 cm, l’errore massimo è di 1.76 cm. Da notare come già considerando uno scenario realistico, ma semplificato, l’errore medio raddoppi.
Viene poi fatto un esperimento in cui il robot viene mosso parallelamente ad una singola mensola di metallo e infine con una di legno.
Figura 1.3 Scenario con una sola mensola (legno o metallo)
Nel caso di mensola di metallo si ha un errore medio di 1.3 cm ed un errore massimo di 1.7 cm. Occorre sottolineare come in questo esperimento, nel caso in cui vengano messe delle pareti di metallo tra i libri, il numero di tag rivelato diminuisca, a causa del cambiamento della frequenza di risonanza dei tag. Nel caso di mensola di legno si ha errore medio di 0.87 cm, errore massimo di 1.6 cm. Da notare come la presenza del metallo influisca negativamente sulla localizzazione.
Viene fatto anche un altro esperimento in cui si usano due mensole ed il robot esegue una traiettoria rettangolare tra di loro.
12
Figura 1.4 Scenario con due mensole e traiettoria del reader rettangolare
Come si può vedere dalla figura 1.5, si nota che i risultati peggiorano, a causa del fatto che prima non si tenevano conto degli errori lungo l’asse x. In ogni caso, l’ordine dei libri continua ad essere rispettato, mentre la localizzazione peggiora.
Figura 1.5 Errori nel caso di due mensole parallele
Un problema di questo metodo si ha nel caso in cui si abbiano dei con spessore piccolo: tali libri vengono rivelati con notevole difficoltà. Per superare tale problema, i libri debbono essere messi ad altezze differenti, ma così facendo si hanno grandi
13 errori nella determinazione dell’ordine e nella localizzazione, come si vede in figura
1.6.
Figura 1.6 Risultati con i libri messi ad altezze differenti.
Le assunzioni fatte in questo articolo sono: supporre che tutti i libri si trovino in posizione verticale sulle mensole e che il reader riesca a localizzarli in tale
orientazione, trascurare gli errori degli apparati odometrici, dei possibili detuning dei tag causati dal trovarsi troppo vicini tra loro ed infine supporre altezza comune per tutti i libri.
1.2.2 Robot mobile munito di sistema RFID e interfaccia utente per selezionare oggetti
In questo esempio [10] viene proposto un robot avente un sistema RFID, un braccio meccanico e un’interfaccia utente per assistenza in scenari di supermarket e negozi. L’obbiettivo non è solo quello di rivelare e localizzare degli oggetti per effettuare cosi l’inventario, ma anche di prelevare o immagazzinare gli oggetti. Infatti il robot ha un’interfaccia utente implementata su un computer portatile posto sul robot.
14
Figura 1.7 Interfaccia messa a disposizione dell'utente
L’interfaccia mostra varie icone relative ai tipi di prodotto che sono stati precedentemente localizzati. I tag sono posti sulle mensole degli scaffali dove sono posti gli oggetti. L’utente seleziona un’icona. Il microcontrollore presente nel robot, seleziona un percorso per arrivare all’oggetto. Arrivato al punto dove l’oggetto è stato localizzato, il robot prende il prodotto mediante il braccio meccanico. Viceversa, il robot immagazzina l’oggetto che gli è stato dato dopo aver selezionato l’icona associata al prodotto nell’interfaccia utente.
1.2.3 AuRoSS: sistema robotico per scansione automatica
In questo esempio [11] si propone il sistema AuRoSS (Autonomous Robotic Shelf Scanning System), un sistema robotico di scansione automatica di mensole di librerie. L’obbiettivo è quello far muovere dentro la libreria il robot munito di un reader RFID, effettuare una scansione dei libri e di conseguenza fare una localizzazione di questi. Infine vengono analizzati i risultati generando un report sui libri presenti nella libreria.
15 L’idea è che il sistema funzioni autonomamente durante la notte quando la libreria è chiusa e produca un report sui libri mancanti o posizionati male.
Viene utilizzata una tecnica che permette all’antenna RFID di muoversi parallelamente alla mensola che vuole analizzare ad una distanza estremamente ridotta.
Supponendo che la struttura della libreria non vari, il robot costruisce una mappa mentre si muove nello scenario. La sua posizione è ottenuta da sensori di prossimità come i laser.
Il sistema è formato da cinque moduli: modulo di navigazione, modulo di scansione della mensola, modulo RFID, modulo di controllo del robot ed il modulo di processing dei dati.
La scansione avviene cosi: il robot si muove sino ad un punto di partenza che è abbastanza vicino alla prima mensola da scansionare. Poi il reader RFID viene attivato ed il robot comincia a muoversi parallelamente alla mensola in maniera automatica. Alla fine della scansione, il reader viene disattivato ed il robot passa alla mensola successiva.
I risultati della scansione vengono memorizzati indicando, per ogni libro, la mensola in cui si trova ed il numero di fila. Il modulo di processing genera un report che mostra quali libri sono presenti, quali mancano e quali sono posizionati male. Un esempio è dato dalla figura 1.8. I libri in blu sono quelli presenti e posizionati correttamente, i rossi sono quelli presenti ma posizionati erroneamente e gli arancioni quelli mancanti.
16
Figura 1.8 (b) Esempio di alcuni libri mancanti o posizionati male
Sono state condotte delle scansioni su due mensole, per un totale di 3152 libri scansionati.
In un primo esperimento i libri sono tutti presenti e posizionati correttamente. Nel secondo esperimento alcuni libri sono stati tolti o posizionati male. Gli esperimenti sono stati ripetuti per dieci volte con un tempo medio di scansione di 16.2 minuti a
0.1 m/s di velocità di spostamento del robot.
Alla fine si ha un’accuratezza media del 98.5%.
1.2.4 Robot munito di sistema RFID per scansione automatica di mensole di libreria
In questo esempio [12] viene proposto un sistema denominato RF-Scanner che effettua la scansione di mensole di librerie o biblioteche in maniera automatica mediante l’uso combinato di un robot e di un sistema RFID.
L’RF-scanner fornisce una localizzazione di libri con un errore medio di 1.3 cm e di un’accuratezza dei libri posizionati parallelamente alla mensola con un errore medio del 6%.
Il design dell’RF-scanner è basato su: accuratezza, il sistema deve garantire la localizzazione di ciascun libro con un errore basso; automazione, la scansione delle mensole deve essere fatta in maniera completamente automatica; disponibilità, il sistema è pensato per essere facile da usare e con costo basso.
La posizione del tag è caratterizzata dalla terna #mensola, #fila, ordine. Il robot si muove dapprima verso un punto iniziale che si trova vicino la mensola. Viene
17 quindi attivato il reader RFID, il robot si muove ed inizia la scansione della mensola. Finita la scansione, il reader RFID viene disattivato.
Per ciascun tag si ha un profilo di fase:
(1.1)
(1.2)
Considerando un solo tag, si ha che mentre il reader si sta avvicinando al tag, la distanza reader-tag d va diminuendo e dunque la fase andrà a diminuire. Viceversa se il reader si sta allontanando dal tag, la fase aumenterà come si vede dalla figura 1.9.
(a) (b)
Figura 1.9 Andamento della fase con particolare della V-zone (a), mentre in (b) si notano due V-zone relative a due tag.
Si nota dalle figure che si ottengono delle V-zone, ovvero delle zone dove la curva assomiglia ad una lettera “V”, dove il punto a derivata nulla della funzione si trova in corrispondenza dell’istante di massimo avvicinamento tra reader e tag. Sapendo a
18 quale tag corrispondono le varie V-zone, osservando l’ordine dei vertici di queste, si può ricavare l’ordine in cui sono disposti i tag lungo l’asse x.
Occorre rimuovere la periodicità di 2 insita nei campioni del profilo di fase. Per fare questo i campioni di fase vengono prima ordinati in base agli istanti temporali di acquisizione. Dopodiché se tra il campione all’istante i e quello a i+1 c’è un salto di circa 2, a tutte le fasi successive si toglie 2 . Se tra il campione all’istante i e i+1 c’è un salto di circa 2., allora a tutte le fasi successive si somma
2. Quello che si ottiene è una super V-zone, ovvero una curva di fase a forma di “V” senza salti di fase.
Dopo tale operazione si ha:
(1.3)
(1.4)
Come mostrato in figura 1.10, se si considera che reader si sta muovendo lungo l’asse x a velocità costante v e si trova in posizione (vt,0) all’istante t, supponendo che il tag si trova in posizione (a,b) rispetto all’origine degli assi del sistema di riferimento, la distanza reader-tag all’istante t è:
19
Figura 1.10 Posizione del tag e del reader rispetto al sistema di riferimento considerato
Sostituendo si ottiene:
(1.6)
Con una serie di trasformazioni si ottiene:
(1.7)
Usando degli algoritmi di fitting, è possibile ottenere una stima di a, b e μ. Il valore di b indica l’ordine del tag lungo l’asse x, il valore di a indica il #fila e il
#mensola.
L’articolo discute anche il problema della localizzazione di libri posti orizzontalmente sulla mensola. La differenza tra i tag dei libri posti orizzontalmente ed i tag posti verticalmente risiede nella locazione e nell’orientazione del tag stesso. Il tag posto orizzontalmente è parallelo all’asse x e la sua distanza dal reader è un po’ più piccola di quello posto verticalmente per motivi geometrici.
Viene usata un’antenna direzionale con angolo a metà potenza poco al di sotto di 90°. Viene osservato che quando l’antenna si muove lungo l’asse x, il tag posto
20 orizzontalmente raggiunge prima la V-zone e ci sta di più rispetto a quello posto verticalmente.
Per discriminare i libri posti orizzontalmente da quelli posti verticalmente, si osserva il periodo di lettura, il numero di letture e la curvatura dell’RSSI nella V-zone. Viene fatto un esperimento con 20 libri taggati, numerati da #1 a #20, con i primi quattro posti orizzontalmente. L’antenna del reader si muove lungo l’asse x ad una velocità costante di 0.2 m/s. Dopo ogni scansione (ne vengono fatte 20) si misura il periodo di lettura P ed il numero di letture per ogni tag N. I risultati sono mostrati in figura.
Si nota che i primi quattro tag hanno N e P più elevato rispetto ad i tag restanti e questo è consistente con quello che si è detto prima. Per alcuni tag, come il #18, ha N e P più elevati rispetto al tag #3. Questo a causa del multipath e del ritardo introdotto dal protocollo di comunicazione usato dal tag.
La parte conclusiva dell’articolo riguarda l’implementazione di questo sistema in una biblioteca. Vengono considerati 500 libri muniti di tag, il cui spessore varia da
1 cm a 5 cm. L’esperimento è replicato sei volte con la velocità del robot che varia da 0.05 m/s a 0.30 m/s a passi di 0.05 m/s.
Si prendono in considerazione l’accuratezza della localizzazione e l’accuratezza del rilevamento dei libri posti orizzontalmente. La prima è il rapporto tra numero di successi di localizzazione e numero totale di letture ed è mostrata in figura 1.11.
21
Figura 1.11 Accuratezza di localizzazione
Per semplicità si è considerata fila 1 e 2 e fila 1 e 2 del retro della mensola (B1 e B2). Si può vedere che la probabilità che un libro posto in fila 1 venga localizzato correttamente in fila 1 è di circa il 91%. La probabilità di sbagliare è sempre circa sotto il 2%.
Per l’accuratezza di rivelazione dei libri posti orizzontalmente, sono stati posti casualmente 100 libri in posizioni orizzontali in differenti posizioni su differenti mensole e file. Le scansioni sono state fatte a velocità del robot diverse, da 0.05 m/s a
0.3 m/s e sono state fatte 20 prove per ogni step di velocità. In ognuna è stato
misurato il numero di letture N, il periodo di lettura P e l’RSSI V-zone del tag. I risultati sono mostrati in figura 1.12.
22 Nel grafico si è distinto tra precision e recal. La precision è definita come il rapporto tra il numero di libri correttamente rivelati come orizzontali sul numero totale di libri, mentre la recal è definita come il rapporto tra il numero di libri correttamente identificati come orizzontali ed il numero totale di libri posti orizzontalmente.
Come si può vedere l’RF-Scanner riesce a garantire una recal del 94% dei libri posti orizzontalmente. Per quanto riguarda la precision ci si assesta al 84%.
1.2.5 Robot mobile munito di sistema RFID ed interfaccia utente per selezionare oggetti
In questo esempio [13], viene presentato un algoritmo di localizzazione di tag RFID basato su un filtro bayesiano a potenze di trasmissioni variabili detto BFVP (Bayesian Filter of Variable Power), usato per localizzare tag in ambienti di distribuzione di prodotti e magazzini. Il sistema è caratterizzato da un reader RFID con due antenne, montato su di un robot ed ha l’obbiettivo di effettuare la localizzazione dei prodotti mentre il robot si muove nello scenario.
In particolare, il robot prima si muove in un certo scenario, va a scansionare a potenze variabili una certa zona e colleziona le risposte dei tag. Ogni osservazione effettuata è associata ad una posa (termine utilizzato nel gergo dei robotici, sta ad indicare la posizione e l’orientazione del robot) dove il robot riceve una risposta e ad una potenza trasmessa.
Quando il robot ha collezionato tutte le risposte dal tag, il filtro bayesiano può stimare la posizione del tag. Dai risultati si arriva ad un errore di localizzazione minore di 0.5 metri in un negozio reale, caratterizzato da un forte multipath.
Il filtro bayesiano si basa sul modello RFID che viene costruito considerando una griglia attorno al robot fatta di celle quadrate di 10 cm di lato. Un tag viene posto al centro di una cella e il reader inizia a scansionare a varie potenze. Poi si ripete la prova con il tag posto ad una distanza diversa dal reader in una cella differente. Il risultato che si ottiene è mostrato in figura 1.13.
23
Figura 1.13 modello RFID (a) e mappa di posizionamento dei tag (b)
Il motivo per cui si va a trasmettere a potenze variabili è che, a bassa potenza, la risoluzione del modello RFID aumenta e si attenua l’effetto dovuto al multipath. L’effetto negativo sta nel fatto che il range di rilevamento, ovvero la portata del reader, si riduce notevolmente. Per superare tale problema viene appunto usato il BFVP.
Nell’esempio proposto vengono comparati l’algoritmo BFVP ed il BFFF (Bayesian Filter of Fixed Power), il quale si differenzia dal primo perché usa una singola e fissata potenza in trasmissione. I criteri per comparare le performance dei due algoritmi sono:
1. Percentuale dei tag localizzati rispetto al totale dei tag
2. L’accuratezza media della localizzazione, la quale è misurata dall’errore medio e dalla deviazione standard in una delle zone in cui lo scenario è stato diviso (Jeans shelf, Clothes shelf…).
Sono stati prima condotti quattro esperimenti in cui è stato implementato il BFFF, usando separatamente potenze di 15 dBm, 21 dBm, 27 dBm, 33 dBm. Poi è stato effettuato un esperimento in cui si è usato il BFVP alle potenze di 15 dBm, 21 dBm,
27 dBm, 33 dBm. In tutti gli esperimenti il robot si muove nella stessa mappa e fa il
24
Figura 1.14 percentuale di tag localizzati (a), deviazione standard e errore medio di localizzazione (b)
Come si può vedere, la percentuale di tag localizzati dal BFFF degrada a mano a mano che la potenza in trasmissione decresce, anche se l’errore di localizzazione diminuisce. Si nota che il BFVP dà un’uguale percentuale di tag localizzati del BFFF alla massima potenza e più bassi errori di localizzazione.
Infine, il BFVP è stato comparato con i più recenti metodi di localizzazione RFID come il BackPos, Advanced SARFID and view RFID tracking system. I risultati sono mostrati in figura 1.15.
25
Figura 1.15 Confronto con altri sistemi
Come si può vedere, Advanced SARFID e BFVP forniscono una migliore percentuale di tag localizzati rispetto agli altri metodi.
1.2.6 Sistema robotico per la localizzazione di tag UHF-RFID posti su mensole
In questo lavoro [14] un robot pattuglia un magazzino e localizza degli oggetti taggati posizionati su delle mensole attraverso un reader RFID posto sul robot e con l’utilizzo di pochi tag di riferimento di cui si conosce la posizione, collocati anch’essi sulle mensole.
A parte questi tag di riferimento, l’ambiente del magazzino è totalmente sconosciuto al robot il quale determina il proprio percorso utilizzando solo i sensori odometrici posti sulle proprie ruote e dalle letture derivanti dal sistema RFID.
26 Come sistema di riferimento viene considerato un sistema dove il piano xz coincide con il piano frontale della mensola, la quale dunque si trova in y = 0. Lo scenario considerato è rappresentato in figura 1.16. In questo lavoro viene dunque fatta una localizzazione 2D.
Figura 1.16 Scenario considerato nell'articolo.
Sono stati considerati due tag di riferimento Tra e Trb posti in posizioni note e
arbitrarie Hra,b.
Durante il suo movimento, il robot acquisisce i dati odometrici e i campioni di fase del segnale retrodiffuso dai tag posti sulla mensola. La localizzazione dei tag avviene con una procedura a due step. Nel primo step il robot localizza sé stesso nell’ambiente usando i dati odometrici e i campioni di fase provenienti dai tag di riferimento. Nel secondo step, sfruttando la conoscenza della propria traiettoria, acquisita nello step precedente, il robot localizza i tag posti sulla mensola.
In questo paragrafo ci concentriamo su come avviene la localizzazione dei tag e le performance derivanti dall’utilizzo della tecnica utilizzata.
Il segnale complesso associato al segnale modulato di backscattering è:
27 I parametri considerati sono:
è l’ampiezza del segnale modulato dalla sequenza binaria (ON/OFF) del tag identificativa del suo codice EPC.
è invece la fase del segnale modulato.
è un termine di fase che tiene conto dell’altezza delle antenne del reader e del tag.
è un termine di fase che tiene conto dello shift di fase causato dall’hardware utilizzato.
è un termine di fase che tiene conto dell’effetto del multipath.
è un termine di fase che dipende dalla distanza tra le antenne del reader e del tag.
è il rumore di fase.
La fase estratta dal reader è
(1.9)
Il termine è il termine di fase del segnale modulato retrodiffuso e si può considerare costante rispetto alla posizione del robot. si può considerare costante se le antenne del tag e del reader trasmettono nella direzione del loro lobo principale. e invece dipendono dalla posizione del robot. Dunque se è la posizione del robot all’istante t (la posizione dell’antenna del reader si trova ad altezza fissa ), allora e . Indichiamo poi con .
Considerando che il tag da localizzare assume una generica posizione , essendo posto sul piano xz, allora vale che:
28 (1.10)
Con K = 2π/λ costante di propagazione e λ lunghezza d’onda di lavoro. Supponiamo di conoscere la traiettoria del robot.
Mentre il robot si muove, colleziona le misure dei campioni di fase ad istanti ti
corrispondenti a posizioni della traiettoria robot note con i = 1,
… , N. Indicando con ϕi i campioni di fase misurati, la loro espressione è:
(1.11)
Dove la funzione modulo modella l’ambiguità della fase dovuta introdotta dal reader il quale non è in grado di distinguere valori di fase che differiscono di 180°.
La localizzazione del tag avviene mediante una procedura su due step. In un primo step il robot si muove parallelamente alla mensola, lungo l’asse x, nell’intervallo spaziale [xa, xb] e raccoglie i campioni di fase ϕi i = 1, …, N. Per ogni possibile
posizione del tag xT e yT (assumendo xT ϵ [xTmin, xTmax] e zT ϵ [zTmin, zTmax] e
considerando un certo passo di quantizzazione qx e qz lungo x e z) costruisce il vettore
dei campioni di fase senza rumore ϕpi(xT, yT) e considera poi il vettore Δϕ(xT,yT) = ϕi -
ϕpi(xT, yT). La posizione del tag lungo l’asse x viene calcolata come descritto
nell’espressione successiva (1.12).
(1.12)
La stima lungo l’asse z viene scartata e si passa al secondo step della procedura. Il robot stavolta si muove ortogonalmente alla mensola per xi = xR, lungo l’asse y,
29
…, M. Considerando adesso il piano (zT, ϕd), per ogni possibile valore di zT e ϕd
(assumendo zT ϵ [zTmin, zTmax] e ϕd ϵ [ϕd min, ϕd max]) si stima la posizione del tag lungo l’asse z come descritto nell’espressione successiva (1.13)
(1.13)
Con Δϕ(xT,yT) = ϕj – ϕhj(xT, yT) e con
(1.14)
La stima di ϕd si scarta e si ha la stima della posizione del tag sul pano xz. Nella figura
successiva (figura 1.17) si possono vedere i movimenti che fa il robot mentre raccoglie i termini di fase utilizzati per fare la stima della posizione del tag sul piano
xz.
Figura 1.17 Movimenti del robot mentre acquisisce i campioni di fase
Successivamente sono state fatte delle simulazioni numeriche e reali dell’algoritmo proposto.
In quelle numeriche il rumore di fase viene modellato con una variabile aleatoria gaussiana le cui realizzazioni sono state indicate con ni a valor medio nullo e varianza
30 ϭϕ2
per i = 1, … , N l’una indipendente dalle altre. Il robot effettua gli stessi movimenti descritti in precedenza. Gli intervalli spaziali dove si muove il robot è: xa
= -50 cm, xb = 50 cm, D = 80 cm, ya = -150 cm, yb = -50 cm. Sono state condotte 100
prove, gli errori di stima sulla coordinata x e z del tag sono stati definiti come:
(1.15)
Nella figura successiva (figura 1.18), vengono mostrati gli errori di stima in funzione di ϭϕ al variare del termine incognito Δx.
Figura 1.18 Andamento dell'errore di stima sulla coordinata x e z
Da notare come l’errore di stima sulla coordinata x è molto piccolo: rimane infatti sotto gli 0.7 cm sino a che ϭϕ sta sotto i 20° e sotto i 4 cm sino a che ϭϕ sta sotto i 30°. Inoltre l’errore ez incrementa molto più velocemente di ex all’aumentare di ϭϕ.
Nelle simulazioni reali è stato utilizzato un robot unicycle-like. La mensola considerata contiene quattro tag di riferimento di cui si conosce la posizione, uno ad ogni metro, tutti posti alla stessa altezza dell’antenna del reader posto sul robot. È stato assunto che il tag può essere rivelato e localizzato solo se la distanza reader – tag è minore di 2 m. La figura successiva (figura 1.19) mostra lo scenario reale considerato.
31
Figura 1.19 Scenario reale
La vera posizione del tag da localizzare è (xT, yT, zT) = (160, 0, 100) cm. Il robot viene fatto partire dalla posizione (50cm; 80cm; 0°) e viene fatto muovere lungo una traiettoria avente lunghezza 3 m parallela alla mensola ad una distanza costante di D = 80 cm dalla mensola. Durante il movimento il robot acquisisce un campione di fase ogni 5 cm di percorso fatto. La stima di x che si ottiene è . A questo punto il robot viene fatto partire dalla posizione ( ; -150 cm; π/2) e si muove verso la mensola per 1 m. La stima di z che si ottiene è .
Sono state condotte 100 simulazioni in scenario reale l’una indipendente dalle altre. Gli errori di stima medi per le coordinate x e y che sono stati ottenuti sono: ex = 1.12 cm e ey = 1.82 cm.
1.3 Stato dell’arte riguardo inventario in ambienti outdoor con droni
In questo paragrafo considereremo sistemi RFID montati su piattaforme mobili UAV, ovvero droni. Tipicamente questi dispositivi sono utilizzati per fare inventario, o comunque localizzazione, in ambienti outdoor come ad esempio magazzini all’aperto. Rispetto agli ambienti indoor, quelli outdoor risentono meno del fenomeno del multipath e dunque l’RSSI può essere utilizzato maggiormente rispetto al caso indoor, dove invece il multipath ne limitava fortemente l’utilizzo. La traiettoria del
32 drone o comunque la sua posizione nello scenario può essere ricavata installando su di esso un sistema GSM o GPS. Per questo occorre una sincronizzazione tra il clock del reader ed il clock del sistema GPS, in modo che ad ogni lettura del reader corrisponda una posizione del drone data dal GPS.
Di seguito alcuni esempi di utilizzo di droni e sistema RFID.
1.3.1 Localizzazione di tag RFID per monitoraggio ambientale
Nell’esempio proposto in [15], viene mostrata l’implementazione di un metodo di localizzazione di tag RFID basato sulla misura dell’RSSI mediante un reader posto su un UAV, in uno scenario outdoor. La posizione dei tag può cambiare nel tempo e il reader posto sull’UAV può muoversi liberamente e casualmente sullo scenario considerato.
La stima della posizione dei tag è fatta partendo dalla stima della distanza tra il reader e il tag, usando la misura di RSSI ottenuta mentre il reader si muove. Il reader può ottenere centinaia di misure/secondo di RSSI relative ad un tag. L’algoritmo utilizzato per la stima della posizione si basa sulla multilaterazione.
Tale algoritmo parte dalla formula di Link Budget, ovvero:
(1.16)
Con PRx, potenza ricevuta, misurata in dBm ottenuta dal valore di RSSI misurato dal reader, PTx potenza trasmessa settata via software pari a 0 dBm, mentre i guadagni di antenna in trasmissione e ricezione GTx e GRx sono posti a 2.15 dBi e le perdite in TX e RX sono -10 dB.
Invertendo la relazione si può ricavare LFS (attenuazione di spazio libero) e, sapendo la sua espressione, si può ricavare la distanza stimata, ovvero
33 Le assunzioni che si fanno sono:
1. PTx costante durante tutto il movimento del reader. 2. Diagramma di irradiazione dell’antenna isotropico.
3. Si trascurano gli effetti dovuti al multipath, alla diffrazione e al fading veloce che potrebbero causare errori nella stima della posizione.
Durante una singola misura, è possibile associare questa alle coordinate della posizione del reader, date dal sistema GNSS implementato sull’UAV. Supponendo di fare N misure, ad ognuna di queste sono associate delle coordinate del reader, ottenendo così una matrice N x 3. L’equazione per d diventa:
(1.18)
Con i = 1,2…N, indice del numero di misure con N almeno maggiore di tre, x y z posizione del tag, xi yi zi posizione del reader. Le coordinate del tag sono utilizzate
considerando un metodo Least Square. Visivamente si può immaginare che il problema si risolva come mostrato in figura 1.20.
34 È stato poi fatto un test reale in uno scenario boschivo, dove i tag sono stati posti su alberi ad un’altezza di 110 cm da terra, con i tag aventi antenna omnidirezionale. Lo UAV ha collezionato circa 100 misure di RSSI per tag e l’errore medio di stima della posizione è di 6 m.
1.3.2 Localizzazione di tag UHF-RFID utilizzando dei droni
Questo esempio [16] presenta un sistema di localizzazione dei tag RFID dove il reader è posizionato su un drone. La posizione del drone è data da un sistema GPS installato sul drone stesso mentre la tecnica di localizzazione è SARFID.
Tale tecnica fa uso della fase del segnale ricevuto e si basa sulla tecnica di localizzazione radar SAR. Questa tecnica verrà presentata in dettaglio nel capitolo successivo, per adesso ci limiteremo soltanto a dire che la localizzazione con tale tecnica dipende fortemente dalla lunghezza del percorso, effettuato dal reader mentre fa la lettura di un tag (apertura sintetica del radar). Si basa sulla fase acquisita dal segnale di backscattering ed essa vien in qualche modo manipolata assieme alla fase teorica ottenuta sapendo la traiettoria del drone.
Consideriamo infatti il metodo SARFID monodimensionale, in cui si va a stimare solo una coordinata.
Lo scenario preso in considerazione ha dimensioni 5 x 5 m ed è mostrato nella figura seguente (figura 1.21).
35
Figura 1.21 Scenario dell’esperimento con i tag
Figura 1.22 scenario con traiettoria del drone
Il drone compie una traiettoria ad “onda quadra” per cercare di coprire tutto lo scenario e dunque rilevare tutti i tag, come mostrato in figura 1.22.
Considerando un tag, la storia di fase misurata dal reader (64 letture con un intervallo di campionamento medio di 34 ms) e quella teorica ottenuta dal sistema GPS sono mostrate in figura 1.23.
36
Figura 1.23 6Storie di fase misurata e teorica
Usando la tecnica nel caso monodimensionale, gli errori per tutti i tag sono quelli nella figura seguente (figura 1.24). A destra sono indicate le aperture sintetiche.
37 Per un’apertura media sull’asse x di 5.5 m, si ha un errore medio su x di 4.1 cm, mentre per un’apertura media sull’asse y di 1.2 m, si ha un errore medio su y di 44.2 cm.
Si può applicare anche un SARFID bidimensionale per ottenere la stima di x e y contemporaneamente: in tal caso si ha un errore medio su x di 3.9 cm, mentre su y di
27 cm.
1.4 Soluzioni industriali per inventario in ambienti indoor con robot
In questo paragrafo vengono presentati alcune soluzioni relative ad inventario automatico di tag RFID, con utilizzo di dispositivi mobili, già sviluppate dalle aziende.
1.4.1 AdvanRobot
Questo tipo di robot per inventario di tag RFID in ambienti indoor è stato sviluppato dall’azienda Keonn [17] ed impiegato nei magazzini Walmart.
AdvanRobot è un sistema RFID mobile ed autonomo che fa automaticamente l’inventario di un certo spazio, ad esempio di un magazzino o di un negozio, fornendo una precisione migliore dei sistemi manuali. Inoltre, AdvanRobot fornisce una localizzazione 3D del tag ed una visione tridimensionale del locale.
AdvanRobot si può muovere in tutte le direzioni, in quanto può ruotare senza impedimenti e questo fa sì che si possa muovere in qualsiasi spazio.
I movimenti del robot sono sincronizzati con la lettura del tag, in maniera da massimizzare la velocità di lettura dei tag.
38 Il robot include un sistema RFID con 12 antenne, 6 ad ogni lato, sistema di navigazione, touch screen, joystick per controllo remoto e batteria.
1.4.2 Tory
Questo robot sviluppato da MetraLabs [18] riconosce e rivela il 99% degli articoli taggati e va 10 volte più veloce di un dispositivo mobile manuale. Tory si muove in maniera autonoma e sicura anche in ambienti dinamici. Include anche la funzione di shopping assistant.
Tory è equipaggiato con un navigation software specifico sviluppato da MetraLabs di comprovata praticità.
I vantaggi sono: precisione molto elevata con un’accuratezza di rivelazione del 99%, costi operazionali bassi, ottimizzazione del processo di localizzazione.
1.4.3 Robi
Il sistema Robi è stato sviluppato da Fetch Robotics [19]. Questo prodotto permette la localizzazione dei tag in ambienti come un grande magazzino di
un’azienda. Su di esso sono montate tre antenne RFID che permettono di localizzare in maniera ottimale tag posti sino a 7.6 m di distanza.
1.4.4 Navii
Infine si presenta il robot Navii sviluppato da Fellow Robots [20]. Il robot è alto 1.5 metri, è dotato di tre camere utilizzate per catturare le informazioni relative ai prodotti da inventariare, può muoversi autonomamente e la durata della batteria va dalle otto alle nove ore con una tempo necessario per ricaricare completamente la batteria di quattro ore. Il robot fornisce informazioni relative al prodotto inventariato, la sua localizzazione ed il marchio.
39
1.5 SLAM, Data Fusion e Sensori.
Nel capitolo precedente si è parlato del problema dello SLAM, ovvero l’autolocalizzazione da parte del robot in un certo ambiente. In questa tipologia di problema non ci sono dei riferimenti in posizioni note, ovvero non ci sono dei landmark (o ancore) dai quali si può effettuare la localizzazione per confronto. In questo caso il mobile crea una mappa dell’ambiente in cui si muove per autolocalizzarsi.
Nel caso dei sistemi RFID potrebbe significare il dover ricostruire anche le posizioni di alcuni tag sparsi nell’ambiente [21]Error! Reference source not found.. Per farlo è necessario modificare la formulazione del Filtro di Kalman inserendo come incognite nel modello dello stato del sistema anche le posizioni dei tag. Con tempi piuttosto lunghi si è in grado di arrivare ad una convergenza dell’errore quadratico medio del Filtro di Kalman, ottenendo così una stima delle posizioni dei tag e del mobile.
Nel caso di Data Fusion con un sistema SONAR, o di acquisizione delle immagini, effettuare il mapping significa costruire il profilo degli ostacoli e delle pareti per evitare collisioni.
Per Data Fusion si intende un sistema di fusione delle informazioni provenienti dai vari sensori. Gli approcci più diffusi sono il filtraggio lineare a minimo errore quadratico medio realizzato mediante filtro di Kalman-Bucy (noto semplicemente come Filtro di Kalman) ed il metodo dei filtri particellari. In questo elaborato non si sono comunque presi in considerazione.
A prescindere dalla scelta del sistema di fusione adoperato si fa riferimento alle seguenti tipologie di struttura di fusione, di seguito riportate con particolare riferimento ai sistemi di localizzazione e tracking basati su RFID.
Struttura Centralizzata: Le misure acquisite da ogni sensore vengono inviate ad un’unità centrale, nella quale vengono opportunamente processate al fine di
40 ottenere la stima dello stato per il modello del veicolo di cui si sta eseguendo il tracking. Nel caso di sistema di localizzazione e tracking basato su tag RFID passivi è evidente che solo a bordo del reader si può realizzare il processing, quindi siamo in presenza di una struttura centralizzata.
Struttura Distribuita: Ogni sensore è dotato di capacità computazionale sufficiente a processare le proprie misure (Smart Sensor), al fine di ottenere una stima locale del vettore di stato del veicolo, la quale viene poi inviata all’unità centrale che si occupa di combinare in modo opportuno le diverse stime locali ricevute ricavandone una stima globale. Il vantaggio di questa struttura è quello di ridurre la complessità computazionale che grava sul nodo centrale. Ovviamente, non essendo i tag passivi capaci di effettuare alcun processing on-board, questa tipologia di struttura è da escludere.
Infine, è opportuno dividere i sensori utilizzabili in due categorie:
Sensori Propriocettivi: misurano grandezze “proprie”, cioè relative allo stato interno del mobile come ad esempio la velocità delle ruote (mediante gli encoder), coppie motrici, accelerazione, assetto.
Sensori Eterocettivi: misurano grandezze esterne al mobile, cioè proprie dell’ambiente in cui il mobile si muove ad esempio distanze dai muri (mediante i sonar), campi magnetici e posizione di oggetti.
Esistono diverse modalità secondo le quali i sensori possono interagire tra loro all’interno della rete da essi stessi costituita, e da queste modalità dipendono le specifiche strategie da adottare per l’operazione di fusione. Le modalità sono: Complementarietà, Concorrenza e Cooperazione.
41
Sensori Complementari: sono complementari un insieme di sensori indipendenti e di natura diversa che forniscono informazioni relativamente a diverse grandezze fisiche, oppure sono complementari anche sensori distinti ma dello stesso tipo che agiscono in diverse zone di rilevamento (come ad esempio i tag disposti in modo da coprire diverse aree di interesse, quando l’informazione di fase è trattata separatamente per ogni tag). Esempi di sensori complementari secondo la prima definizione sono l’odometro ed il tachimetro in un veicolo autonomo, la cui combinazione è parte integrante di qualsiasi sistema di navigazione automatica.
Sensori Concorrenti: insieme di sensori distinti che forniscono informazioni indipendenti relativamente alla stessa grandezza fisica o alla stessa zona di rilevamento. Sensori concorrenti possono essere identici o possono sfruttare metodi differenti per misurare la stessa grandezza fisica. La concorrenza tra sensori è generalmente sfruttata per aumentare l’affidabilità.
Sensori Cooperanti: una rete di sensori cooperanti è costituita da un insieme di sensori indipendenti la cui osservazione è combinata allo scopo di ottenere informazioni che non potrebbero essere dedotte dall’informazione prodotta da un singolo sensore. Un buon esempio dell’interazione cooperativa tra sensori è costituito da due videocamere configurate per la stereo-visione: dalla visione bidimensionale delle due è possibile ricostruire l’informazione di profondità della regione osservata ottenendone una rappresentazione tridimensionale.
42
2
RICHIAMI TEORICI SULLE TECNICHE DI
LOCALIZZAZIONE DI TAG RFID
2.1 Teoria di Base
In un sistema RFID basato su tag passivi, il reader invia un segnale a radiofrequenza di interrogazione al tag. Il segnale viene intercettato dal tag, alimenta il tag stesso che poi lo reirradia nello spazio. Il reader capta il segnale reirradiato, lo demodula e lo manda al sistema di elaborazione.
Il tag ha dei diodi che trasformano la tensione alternata dell’onda elettromagnetica incidente in una tensione continua, la quale va ad alimentare un condensatore che fa da batteria al tag.
Il tag può essere schematizzato con un interruttore che può stare in due stati: ‘0’ o ‘1’. In particolare, l’interruttore comanda due impedenze Zsc e Zcm, quindi può
variare il suo coefficiente di riflessione Γ. Quando l’interruttore si trova su Zsc, il tag riflette il segnale e viene trasmesso un ‘1’, viceversa viene trasmesso uno ‘0’. Il tag trasmette un codice di ‘0’ e ‘1’, identificativo di sé stesso, secondo quanto definito dallo standard EPC Gen2 [22]. Il segnale di ritorno viene demodulato da reader in maniera coerente, ovvero considerando sia l’ampiezza che la fase del segnale complesso.
Durante il percorso di andata e ritorno dal tag, il segnale inviato dal reader viene corrotto dal rumore dell’ambiente circostante, ma anche dal multipath, tipicamente presente in ambienti indoor dove sistemi RFID sono spesso usati.
Infine, al ricevitore, si aggiunge il rumore termico intrinseco di ogni ricevitore a radiofrequenza.
La tensione del segnale ricevuto e demodulato si può scrivere quindi come descritto da [23]:
43 (2.1)
Vclutter è la tensione relativa agli echi di ritorno dell’ambiente circostante, Vleakage è la
tensione relativa al disadattamento di impedenza tra reader e tag mentre Vtag è la
tensione relativa alla risposta del tag, dipendente dallo stato i = 0,1 in cui si trova il tag. Queste componenti si possono considerare stazionarie nell’intervallo di interrogazione del tag, ad eccezione di Vtag che invece varia a causa della
modulazione.
Il segnale complesso demodulato ricevuto si può scomporre in una parte in fase (I) ed una in quadratura (Q), le quali a loro volta si possono scomporre in una componente DC e AC.
(2.2)
La parte in continua viene filtrata via ed i campioni ricevuti sono mostrati in figura
44
Figura 2.1 Segnale tipico visto al reader dopo la demodulazione e la rimozione della parte in continua, rappresentato sul piano IQ e nel dominio del tempo.
A questo punto si può ricavare l’RSSI e la fase dei campioni ricevuti che vengono direttamente misurati dal reader:
(2.3)
45 Questi parametri vengono poi utilizzati singolarmente o assieme per estrarre le informazioni sulla localizzazione che interessano. In questo elaborato ci interesseremo in particolare sulle tecniche che utilizzano la fase, in quanto il solo parametro di ampiezza è dipendente fortemente dal fenomeno del multipath, molto marcato in ambienti indoor e che dunque può dare misure di distanza affette da errori molto elevati.
In ogni ambiente di propagazione, la fase del segnale ricevuto dal tag appena ricavata si può scrivere come:
(2.5)
Dove prop è la fase dovuta alla propagazione elettromagnetica dell’onda ricevuta, 0
che è un offset di fase relativo al tag utilizzato, ai cavi e ai componenti del reader e dell’antenna, bs è la fase della modulazione del tag.
In campo libero, usando l’espressione del campo elettromagnetico che si propaga, il cui fasore ha fase proporzionale alla distanza percorsa, si ha che:
(2.6)
Dove k è il numero d’onda e d è la distanza tra reader e tag. Quando i tag si spostano, i vettori Vtag1 e Vtag2 ruotano rigidamente. Per ogni spostamento di λ/2, corrispondono
360° di rotazione. In altre parole, la fase è una funzione periodica di periodo pari a 2π. Questo fa sì che ci sia un’ambiguità nella fase che rappresenta uno dei maggiori
problemi di questo parametro, rendendo complesso ed inefficiente il calcolo della distanza reader-tag e dunque della posizione del tag stesso. I metodi che fanno uso della fase cercano di aggirare questo problema. Gli algoritmi di localizzazione basati sulla fase che verranno utilizzati in questo elaborato risolvono il problema della
46 periodicità di questa e della relativa ambiguità della posizione del tag in due maniere: uno con la tecnica dell’unwrapping, un altro sfruttando la tecnica radar SAR (Synthetic Aperture Radar) assieme al teorema del campionamento spaziale. La tecnica dell’unwrapping consiste semplicemente nel sommare ±2π rad ad un campione di fase quando la differenza assoluta tra due campioni di fase successivi è uguale o più alta di π rad. L’altra consiste nell’andare a considerare i fasori dei vettori dei campioni di fase: se i campioni di fase distano spazialmente meno di λ/4, rispettando così il teorema del campionamento spaziale, e considerando i fasori di fatto il problema della periodicità della fase e della relativa ambiguità viene superato.
2.2 Tecniche di localizzazione che usano la fase
Se si riesce a aggirare il problema esposto nel paragrafo precedente, relativo alla misura della fase si possono ricavare le stime di parametri come l’angolo di arrivo del segnale, la velocità radiale (del tag rispetto al reader o del reader rispetto al tag) e la distanza tag-reader. Le tecniche basate sulla fase, si possono dividere in: 1. TD-PDOA (Time Domain Phase Difference of Arrival)
2. FD-PDOA (Frequency Domain Phase Difference of Arrival) 3. SD-PDOA (Spatial Domain Phase Difference of Arrival)
Bisogna notare come ogni volta si utilizzi una differenza di valori di fase: in questo modo si riesce ad eliminare la componente di offset presente in ogni caso nel valore di fase acquisito.
La tecnica TD-PDOA permette di stimare la velocità radiale del tag usando dei valori di fase acquisiti ad istanti temporali differenti. Assumendo che le componenti offset e di backscattering non cambiano nei due istanti, la relazione che permette di ricavare la velocità è:
47
(2.7)
La tecnica FD-PDOA permette di stimare la distanza alla quale si trova il tag usando la differenza di valori di fase acquisiti a frequenze differenti, ma nello stesso istante. Assumendo che φ0 e φbs non varino alle due frequenze, la distanza si ricava:
(2.8)
La tecnica SD-PDOA permette di stimare l’angolo di arrivo del segnale di backscattering del tag. Calcolando 2 - 1 con 2 e 1 misurate a due antenne
differenti e attribuendo quella differenza al percorso d2 – d1, l’espressione che
permette di ricavare l’angolo di arrivo è:
(2.9)
L’antenna in TX può essere messa in qualunque posto. Le antenne in RX possono ricevere simultaneamente o in sequenza i valori delle fasi. In ogni caso questa tecnica fa uso di più di un’antenna, aumentando la complessità e il costo della infrastruttura hardware.
2.3 Tecniche SD-PDOA con approccio SAR
Tra le tecniche di tipo SD-PDOA, ve ne sono alcune che fanno riferimento alla tecnica di localizzazione radar SAR (Synthetic Aperture Radar). In tale tecnica si va a riprodurre un array virtuale muovendo l’antenna lungo una traiettoria nota, con una velocità nota, con l’obbiettivo trovare la posizione di un target stazionario. In generale in queste tecniche l’antenna si muove raccogliendo i valori di fase m
48 corrispondenti a diverse letture del tag, con m = 1, …, N e con N numero di posizioni assunte dall’antenna nell’array virtuale. La distanza spaziale tra un’antenna e l’altra dell’array, che in questo elaborato sarà spesso riferita come la distanza tra un campione di fase e l’altro è il passo di campionamento.
Figura 2.2 Esempio di applicazione SAR
Successivamente si costruiscono delle storie di fase fissando un punto ipotetico dove potrebbe essere situato il tag: per fare ciò, se si considera uno scenario monodimensionale in cui si vuole stimare una sola coordinata, si costruisce una linea dove si suppone sia posizionato il tag e, su questa, si fissano dei punti sui quali si calcolano le storie di fase ipotetiche. Se si considera uno scenario bidimensionale si costruisce una griglia, invece per uno scenario tridimensionale si costruiscono costruisce una griglia tridimensionale che riferiremo spesso in questo elaborato con il termine “cubo”. In ogni caso si va poi a considerare dei punti nelle celle della griglia o dentro ai cubi e si costruiscono le fasi ipotetiche.
I calcoli delle storie di fase ipotetiche si possono fare ovviamente se, come si è supposto, si conosce la traiettoria e la velocità dell’antenna che forma l’array virtuale. Ognuna delle tecniche che usano questo approccio confronta opportunamente questi valori di fase reali e ipotetici in modo poi da ottenere una funzione di correlazione (o
49
matching function) che ha il suo picco in corrispondenza della posizione reale del tag
o comunque nelle sue più immediate vicinanze.
Fattori da tenere in conto sono che più i punti su cui si calcolano le storie di fase ipotetiche sono vicini e più il costo computazionale aumenta a parità di zona in cui si va ad investigare la posizione del tag, ma va a diminuire in generale l’errore di localizzazione.
In più, occorre rispettare il teorema del campionamento per gli array: la distanza tra un elemento degli array e l’altro, cioè in questo caso la distanza tra un campione di fase e l’altro deve essere minore di /4 (non λ/2 in quanto si considera il percorso di
andata e ritorno che fa il segnale). In questo modo, nella funzione che si ottiene non si presentano ulteriori picchi, i cosiddetti grating lobes, come la teoria degli array spiega. [24]
Un altro fenomeno di cui tenere conto è quello dei picchi ambigui nella funzione: indipendentemente dal fatto che sia stato rispettato il vincolo sul passo di campionamento spaziale, può succedere che nella funzione di correlazione compaia un secondo picco oltre a quello corrispondente alla reale posizione del tag. Questo avviene perché per particolari simmetrie geometriche dipendenti dalla traiettoria effettuata dall’antenna e dalla posizione reale del tag, può accadere che due elementi della griglia di indagine in posizioni diverse abbiano esattamente la stessa storia di fase, e quindi producano il medesimo valore di correlazione.
Di seguito vengono proposti due esempi di tecniche che fanno uso dell’approccio SAR in maniera differente l’una dall’altra.
2.3.1 Tecnica dell’Inverse SAR per localizzare tag RFID
In questo articolo [25] viene presentata una tecnica di elaborazione basata sulla tecnica radar SAR. Si parla in particolare di inverse SAR (I-SAR) perché in questo caso è utilizzata per stimare la posizione di un tag che si muove lungo una certa
50 traiettoria, con vari reader/antenne fermi in certi punti. Si può però usare anche nel caso in cui si abbia un reader che si muove lungo una certa traiettoria conosciuta con una certa velocità nota ed il tag è fermo. Un esempio di scenario applicativo per I-SAR è quello mostrato in figura 2.3.
Figura 2.3 Scenario per I-SAR
Assumiamo di avere m ipotetiche antenne poste in posizione ra,k con k = 1, …, m.
Supponiamo che il tag si muova lungo una traiettoria nota rt(t). Scriviamo la
traiettoria come somma di una posizione iniziale incognita rt,1 ed una traiettoria
associata nota xt
(2.10)
Per cui i vettori distanza tag-antenna si possono scrivere come
(2.11)
I valori di fase ipotetici, supposto di conoscere la traiettoria del tag a meno di una posizione iniziale, misurati dal reader mentre il tag si muove si possono scrivere come
51
(2.12)
Con che dipende dal diagramma di irradiazione dell’antenna del reader mentre è il termine di offset già descritto in precedenza.
Si ha poi un insieme di valori di fase misurati, derivanti dall’interrogazioni del reader sul tag mentre il tag si muove che indichiamo con con ik=1, … , nk con nk
numero di fasi misurate dall’antenna k-esima.
Si considera a questo punto la funzione target P, definita in funzione della posizione iniziale incognita della traiettoria del tag. In un approccio coerente P è definita come
(2.13)
Si conosce il per entrambe le antenne, lo includo nel modello della fase ipotetica. Oppure in un approccio non coerente P è definita come
(2.14)
dove invece il non viene incluso nel modello della fase ipotetica.
Ovvero, non considerando il rumore e il termine di fase relativo al diagramma di irradiazione, si ha per entrambi i casi che
(2.15)
52
(2.16)
mentre nel non coerente
(2.17)
Per cui, nel coerente ottengo (limitandosi al caso in cui si hanno due sole antenne)
(2.18)
Mentre nel caso non coerente ottengo
(2.19)
Per spiegare questo metodo relativamente ai nostri casi, ovvero con un approccio SAR, cioè con un’antenna che si muove e un tag fermo di cui si vuole conoscere la sua posizione nel sistema di riferimento considerato, sono state fatte alcune simulazioni numeriche.
Lo scenario considerato è quello mostrato in figura 2.4. Si ha un tag posto in posizione [1,1,1] m, due antenne che percorrono una traiettoria ad L attorno al tag distanziate lungo z di due volte la lunghezza d’onda che è pari a 0.3465 m. La lunghezza di un tratto di traiettoria lungo x e y è di 1.5 m e le acquisizioni di fase
