Accurate 2-D localization of RFID tags using antenna transmission power control

Akre, J-M.; Zhang, X.; Baey, Sébastien; Kervella, Brigitte; Fladenmuller, Anne; Zancanaro, M.A.; Fonseca, Mauro

doi:10.1109/wd.2014.7020802

Cited by 7 publications

(2 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…For the PDOA dataset, its collection method is the same with RSSI dataset. For the joint RSSI/PDOA dataset, we acquire the RSSI and PDOA values of 8 readers at the ith tag according to (1)(2) and (3) by collecting 64 times and normalizing them using (5). Then we use the 64×16 RSSI and PDOA data to construct one image with size 32×32.…”

Section: Analysis Of Experimental Results a Experimental Environment And Parameter Settingsmentioning

confidence: 99%

Deep Convolutional Neural Network for Passive RFID Tag Localization Via Joint RSSI and PDOA Fingerprint Features

Peng

Jiang

2021

IEEE Access

View full text Add to dashboard Cite

Radio-frequency identification (RFID) localization has drawn much attention with the emergence of the Internet of Things (IoT). Deep learning with applications to RFID localization owns a lot of advantages. In this paper, we present a deep convolutional neural network (CNN)-based approach for passive RFID tag localization exploiting joint fingerprint features of the received signal strength indication (RSSI) and phase difference of arrival (PDOA). First, the RSSI and PDOA data are extracted from the received signals of RFID readers. Then, a CNN with three convolution layers and pooling layers is design, in which the normalized RSSI and PDOA data are formed into images as its input to train the weights in the offline stage. In the online stage, the RSSI and PDOA data of test tags are collect and then the positions of unknown tags is predected based on the designed CNN. In the simulations, the accuracy of the proposed approach is compared with several fingerprinting-based schemes such as LANDMARC, weighted K-nearest neighbor (WKNN) and deep neural network (DNN), and the impact of different fingerprint data sets and noise variances on the positioning accuracy is analyzed. Experiments show that the proposed approach can locate multiple tags with high accuracy and stability in complex indoor environment, and outperforms other existing schemes.

show abstract

Section: Analysis Of Experimental Results a Experimental Environment And Parameter Settingsmentioning

confidence: 99%

Deep Convolutional Neural Network for Passive RFID Tag Localization Via Joint RSSI and PDOA Fingerprint Features

Peng

Jiang

2021

IEEE Access

View full text Add to dashboard Cite

show abstract

“…Os resultados do experimento mostraram que a acuracidade do sistema de posicionamento RFID passivo foi satisfatória considerando uma precisão de 1 metro. [Akre et al 2014] demonstraram uma proposta para a localização de etiquetas passivas usando a abordagem de aprendizado do ambiente. Neste método utilizaram uma função agregada do RSSI para todos as potências possíveis de transmissão dos leitores RFID e com base nessas medidas definiram uma assinatura da localização para utilizar no algoritmo K-Nearest Neighbor (KNN).…”

Section: Trabalhos Relacionados E Principais Contribuiçõesunclassified

Etiquetas RFID Passivas e Aprendizagem de Máquina para Sistema de Localização Indoor de Alta Precisão

Gomes¹,

Fonseca²,

Guerber³

et al. 2020

Anais XXXVIII Simpósio Brasileiro De Redes De Computadores E Sistemas Distribuídos (SBRC 2020)

View full text Add to dashboard Cite

A localização de objetos em ambientes internos é uma tarefa desafiadora onde não há contato físico ou campo de visão e existe a presença de materiais reflexivos além do excesso de obstáculos. Para contornar tais problemas, nós propomos o uso da tecnologia RFID e métodos de aprendizagem de máquina para a construção de sistemas de localização em ambientes internos. As principais contribuições deste artigo são: um sistema de localização de alta precisão, modelagem específica para ambientes com prateleiras e o módulo de aprendizagem de máquina, o qual extrai e deriva estatisticamente características das leituras RFID. O resultado obtido com a implantação em um ambiente real foi de 100% de acurácia com o classificador Random Forest.

show abstract

A Survey of Machine Learning Techniques for Indoor Localization and Navigation Systems

Roy

Chowdhury

2021

J Intell Robot Syst

121

View full text Add to dashboard Cite

Accurate 2-D localization of RFID tags using antenna transmission power control

Cited by 7 publications

References 10 publications

Deep Convolutional Neural Network for Passive RFID Tag Localization Via Joint RSSI and PDOA Fingerprint Features

Deep Convolutional Neural Network for Passive RFID Tag Localization Via Joint RSSI and PDOA Fingerprint Features

Etiquetas RFID Passivas e Aprendizagem de Máquina para Sistema de Localização Indoor de Alta Precisão

A Survey of Machine Learning Techniques for Indoor Localization and Navigation Systems

Contact Info

Product

Resources

About