基于RFID反向散射通信的機器人手勢控制系統①

程 康,葉 寧,黃海平,王汝傳

(南京郵電大學 計算機學院,南京 210023)

隨著計算機科學技術的飛速發展,人們開始探討 人機共生的可能性,以此提高人類的生活質量和工作效率.手勢控制技術[1]使人與計算機的交互變得更簡單、自然,用戶可以通過適當的手勢來控制周圍的機器,不再局限于鍵盤和鼠標輸入、手柄操作,也不僅限于觸摸屏.

目前,手勢控制的方式主要分為視覺、傳感器和無線射頻三大類.基于視覺的手勢控制技術通過分析攝像頭捕獲到的圖像序列來識別用戶靜態或動態手勢,最后利用內部硬件集成實現系統交互[2,3].該方法不足之處在于圖像數據量較大,同時基于可見光的識別存在光照不穩定、手勢對象彼此遮擋等一系列干擾問題.基于運動傳感器的手勢控制技術利用傳感器采集手勢動作數據并提取其關鍵特征來實現手勢識別與控制[4].該方法存在功耗和便攜性問題.由于需要額外供電,部分傳感器采用有線連接,不便于某些空間復雜的交互場景.而無線傳感器需攜帶電池,其電量受限且尺寸不便于佩戴.基于WiFi的手勢控制技術[5]中需要使用特制的硬件設備進行無線信號的處理,其價格昂貴,不利于普及到日常生活.

本文研究的是基于無線射頻的手勢控制技術,通過提取RFID反向散射通信中標簽反射信號的關鍵特征,構造手勢識別模型,最后利用無線藍牙與機器人之間的串口通信實現對機器人的手勢控制.

1 RFID反向散射通信機制

1.1 無線通信鏈路

無源RFID標簽無需攜帶能進行內部供電的電池,而是由RFID閱讀器通過天線傳輸的電磁能量供電.圖1給出RFID讀寫器和無源標簽之間的無線電波傳播的概念圖.讀寫器中的電流通過天線輻射出電磁波,并形成變化的電磁場,接收端標簽內部線感應到變化的電磁場,從而在其線圈內部產生電壓.若標簽天線通過某種負載連通,就會產生感應電流.另外,標簽內部芯片調制后輻射的電磁波能返回到讀寫器的天線中,并產生能被識別的信號,稱為反向散射信號.讀寫器能夠通過識別標簽的反向散射信號來獲取必要信息,這就是反向散射通信.

1.2 射頻相位

對于載波頻率為f(Hz)的電磁波,其頻率與波長的關系為其中c是波速,在空氣中的傳播大小約等于光速(3×108m/s).如圖1所示,信號的傳輸距離為2R.除了距離上的射頻相位偏移之外,讀寫器的發射電路、標簽的反射特性以及讀寫器的接收器電路都將帶來一些額外的相位偏移,分別記為則總的相位偏移可以被表示為:

圖1 RFID反向散射通信機制

2 系統總體設計

本文采用動態手勢識別方案實現用戶與機器人的交互應用.一旦用戶在天線讀取范圍內做出動態手勢,系統就通過分割提取出標簽信號的相位特征段,然后利用DTW算法和kNN算法對時序的特征分段進行手勢歸類,從而識別用戶的手勢.最后在此基礎上利用藍牙設備與機器人進行串口通信,機器人在接收串口數據指令后執行相應的動作.圖2為基于RFID反向散射通信的機器人手勢控制系統原理圖.

2.1 數據預處理

2.1.1 相位周期性消除

由上述可知,讀寫器讀取到的初始相位是周期性函數,其會在每個傳輸循環節點跳變,我們稱之為相位突變.如圖3(a)所示,當相位值減小到0時,它將跳變為,這種相位突變嚴重影響系統對標簽位置變化特征的判斷.另一方面,觀察到RFID讀寫器的讀取速率極快,導致兩次連續采樣點標簽位移距離d很小.根據本系統中標簽的運動速度,可以假設由三角形約束得到是讀寫器天線對標簽兩次連續讀取的距離之差.再結合公式(1)可以計算出兩次連續相位值之差的約束關系:

由于k是整數,根據公式(2)進一步可以得到

圖2 基于RFID反向散射通信的機器人手勢控制系統原理圖

圖3 相位周期性消除前后的數據流

2.1.2 平滑處理

由于固有的電路噪聲的影響,即使當標簽靜止的情況下,測量到的相位值也會在某固定值上下隨機波動.為了減小隨機波動對控制系統的影響,需要分析這種隨機性并采用針對性的濾波手段.我們隨機采集40個樣本數據并將其與標準正態分布作比較,畫出兩者對比的QQ圖.如圖4所示,QQ圖上點的線性特征驗證了樣本數據是服從正態分布的.因此,本文針對這種高斯噪聲,利用窗口大小為10的滑動濾波器對采集到相位值進行平滑處理.圖5給出了平滑處理前后的相位流對比,可見噪聲得到了較好的抑制,同時減小了之后數據分割與匹配的誤差.

2.2 手勢特征提取與訓練

一旦獲得處理后的相位流,我們需要提取有利于本系統手勢識別的數據特征.難點主要來自兩個方面:首先,數據流不斷快速更新,這給確定每個手勢的開始和結束時間帶來了較大的難度.另一方面,手勢的數據特征容易受到不適當的操作以及設備部署的影響從而表現的不穩定.本小節主要介紹了如何進行精確高效的手勢分割,并建立完備的手勢特征訓練集提高識別的準確度.

圖4 樣本數據與標準正態分布的QQ圖

圖5 平滑處理前后的數據流

2.2.1 基于相對熵的手勢分割

每個動態手勢對應的相位流區間會出現不同的數據波動,因此如何分割出該區間是手勢特征提取的關鍵.本文采用相對熵[6]的思想,通過比較不同數據窗口的概率分布差異分別計算出相位波動的起始和終止點.記系統相位數據流為其中N代表讀寫器實時讀取次數.算法流程如下: 將每w個連續采集的數據分組整合到固定窗口中,窗口尺寸設置為w; 根據窗口內各相位值的大小進行數據再分區,并在此基礎上計算窗口內相位數據的離散概率分布函數; 然后利用相對熵方法比較相鄰窗口內數據的概率分布差異,假設兩相鄰窗口和,對應離散概率分布函數分別為P和Q,則P對Q的相對熵計算公式如下:

DKL(P∥Q)表示當用概率分布Q來擬合真實分布P時產生的信息損耗,其值可以衡量兩個概率分布的相似度.

根據吉布斯不等式[7],可以證明DKL(P∥Q)的非負性,即DKL(P∥Q)≥0.因此將DKL(P∥Q)與給定的閾值比較,有以下兩種情況:

如果DKL(P∥Q)的值小于給定的閾值,表示兩相鄰窗口和都處于數據平穩采樣區間.相反,如果DKL(P∥Q)的值大于等于給定閾值,則表示兩相鄰窗口之間有一個或兩個都在數據波動采樣區間.

最后通過遍歷所有符合DKL(P∥Q)≥ρ的相鄰窗口,確定數據波動區間的邊界采樣序號,提取動態手勢對應數據特征.

2.2.2 手勢指紋庫建立

由于個體差異性,用戶執行手勢時的數據特征也會存在出入.因此,本文通過采集n個志愿者的手勢特征建立完備的手勢指紋庫,從而減小個體差異對識別準確度的影響.志愿者在指定手勢下做出相應動作,系統則立即開始對相位流進行數據預處理和相應手勢特征提取.

為了確保手勢訓練的可靠性,使用離群值檢測[8]的方法從獲取的手勢數據集中選擇一些代表性樣本.主要思想是基于對象(點或向量)接近的概念,其反映了向量與其他候選向量的接近程度.也就是說,矢量的接近程度越高,異常值的可能性就越大.假設手勢j存在n個數據分段對于每個數據分段,計算它與剩余n–1個數據分段的DTW距離(在2.4節提及)得出接近程度; 分別計算手勢j對應的n個分段,得出前個較小接近程度的數據段,并記為其中表示待識別手勢的索引號.

2.3 歸一化處理

由于RFID相位數據的幅值依賴于標簽初始的位置,在系統的實際部署中會因為操作誤差導致各數據段的幅值差異.比如確定標簽初始位置后,相同手勢特征數據段會呈現不同的空間性,但其波形變化模式是相同的.因此,在應用DTW算法之前將時間序列的數據段歸一化處理到相同的范圍值能夠有效地減小匹配誤差.另外,全局標準化方法用于處理具有不同范圍值的傳感器數據,而本系統中數據段相對獨立,因此采用局部標準化單獨針對每個模板.具體處理方法如下: 對于一維時間序列或多維時間序列的分量,歸一化處理用下列公式表示:

2.4 手勢識別

在對手勢特征數據的提取與歸一化處理后,系統開始進入手勢識別模塊,其難點在于如何準確得到當前手勢與指定訓練集的匹配得分.由于用戶個體的差異性、脆弱的反向散射鏈路以及多徑效應的影響,各數據呈現幅度與長度不一的情況,如圖6所示.為了解決這個問題,本文利用DTW算法計算兩個數據分段之間的距離作為匹配得分.

圖6 不同用戶執行手勢4得到的數據分段

DTW是一個時間序列對齊算法,最早應用于孤立詞語音識別.它旨在通過迭代扭曲時間軸來對齊兩個特征序列,直到找到兩個序列之間的最佳匹配.假設兩個離散時間序列記為成對距離矩陣,其中的歐氏距離.我們將序列A的點分配給序列B的點以獲得一條規整路徑(warping path):則序列A和B之間的規整路徑v的總花費可以用以下公式計算:

在所有可能的規整路徑中,本文通過動態規劃算法和附加約束[9]得到具有最小總成本的最佳對齊路徑.則序列A和B之間的DTW距離DTW(A,B)可由最佳對齊路徑的總花費獲得,即:

2.5 機器人控制

2.5.1 硬件結構與配置

(1) 控制模塊: 四足機器人裝配12個數字雙軸舵機,采用LSC-20舵機控制器實現高精度、快響應的舵機控制.另外,使用7.4 v鋰電池供電,每個舵機接口都有過流保護.

(2) 藍牙模塊: 采用藍牙4.0版本,遵循LSC系列控制板通信協議,波特率設置為9600 bps,工作頻率為2.4 GHz,工作范圍10 m內.

2.5.2 手勢指令匹配

本文在實驗部署中實現了6種動態手勢,圖7給出了機器人手勢指令匹配的概圖.其中箭頭表示手掌正對讀寫器天線的移動方向,序號表示手掌移動的次序.例如手勢 1表示“前推”,手勢 5表示先“前推”再“左移”,最后“右移”回到天線垂直方向.圖中還給出了手勢j(j=1,…,6)的相位數據波形以及相應的機器人指令:前進、后退、左移、右移、順時針旋轉、停止.

在實際的操作過程中,當用戶手掌處于靜止或緩慢移動狀態時,機器人重復執行上一次手勢指令,直到獲取下一次執行指令.由于RFID讀寫器極快的讀取率,用戶在執行不同手勢指令時幾乎不需要等待系統的緩沖,一定程度提高了系統的靈敏度.

圖7 機器人手勢指令匹配概圖

3 實驗結果與分析

本實驗是利用Java語言在配置OSX系統的Mac book pro (處理器: Intel Core i5 2.7 GHz,內存: 8 GB)下結合英頻杰公司提供的讀寫器支持文件[10]完成的.實驗場景如圖8所示,英頻杰R420讀寫器通過以太網與PC端連接,H47標簽貼在用戶手背.手勢執行區域距離天線1～2 m,電腦終端利用藍牙與機器人進行串口通信.

圖8 實驗場景圖

為了驗證系統的穩定性,實驗邀請10位志愿者執行手勢控制系統,每位實驗者分別執行每個手勢10次.表1列出了機器人對該100次手勢指令的反饋結果,其中反饋時延包括手勢執行完畢到機器人正確移動的時間; 識別率為機器人正確反饋率.可以發現當系統在執行前進和后退指令時平均反饋時延低于0.74 s,且識別率在89%以上.當實驗者操作手勢3和手勢4時,系統的平均反饋時延分別為0.88 s和0.91 s,相應的識別率也下降至85%和86%.而對于分段較長的手勢4和手勢5,識別效果得到了改善,分別為89%和87%,平均時延為0.80 s和0.79 s.

系統性能分析:

(1) 不當的手勢操作導致數據分割的效果降低.比如當手勢執行速度過快或過慢時,會導致一直小于分割閾值等.

(2) 較長的特征分段擁有較多的數據量,在增多數據孤立點的同時也會增加候選規整路徑v的長度和條數,從而影響模板匹配的計算效率.

(3) 對于手勢5和手勢6數據分段較長的情況,系統在代碼實現部分采用長度過濾方法(即判斷當前分段長度,并與手勢指紋庫內指定數量的數據段匹配),有效提高了系統性能.

表1 機器人對手勢指令反饋結果

4 總結與展望

本文主要研究實現了一種基于無源標簽反射信號特征的手勢控制系統.該系統利用標簽與天線之間的距離與反射信號相位的關系建立手勢識別模型,從而能夠進一步實現對機器人的手勢控制.實驗結果表明,RFID反向散射通信對標簽的位置特別敏感,因此對時序數據有效分割的基礎上,利用DTW算法以及kNN分類方法能夠準確識別動態手勢.如果該系統的方法趨于成熟,將能為人機共生創造更多的可能.

本研究也存在不足之處,主要包括以下3個方面:

(1) 采用頻率為2.4 GHz藍牙設備以及增益為8 dBi的RFID天線,系統的工作區域有限.

(2) 手勢分割算法效果依賴于用戶執行速度和讀寫器的讀取速度.當手勢執行較慢時,讀寫器獲取的數據特征不夠明顯,導致手勢分割的難度增加.

(3) 動態規整算法運算效率需要進一步提高.

對于以上問題,我們將在今后逐步討論完善方案.比如根據不同用戶來設置不同的讀寫器工作頻率和窗口大小,提高手勢分割的準確度.另外,針對動態規整算法計算效率低的問題,可以通過建立查詢表存儲部分約束信息,避免計算機的重復操作,提高匹配度計算效率.