大家下午好！利用短暂时间我跟大家交流一下我们关于人机物融合这样一个互联感知技术我们一些探索，我们几个方面内容。时间关系我们有些问题我们跳过去，主要讲四个方面，就看一下背景。

现在整个物联网社会发展很快值数增长，到2020年已经达到200多亿，其实现在有一种比喻，就是把网联设备和神经元比起来，鹦鹉神经元可能有1.7亿左右，到了大猩猩可能有60亿左右，我们人类可能160亿。我们人类智慧哪来的，可能在神经元发挥了最大的作用。所以未来物联网为什么我们现在走到人工智能今天呢？我想很多一个是网络节点本身有智慧因素在里面，更多是设备在里面，包括市场规模到2020年也到了几万亿指标来看，应用领域大家看也非常广泛，从医疗到工业物联网、到交通等等一些方面。所以从整个演化来看，最原始我们原先是计算机组织起来网络，到后来计算机放大一点变成了互联网，到互联网整个设备除了计算机以外有传感器、RFID等等我们形成了物联网；物联网到整个节点上可以做智能有性能提高我们就到了智慧物联网，到最后就形成了人机物融合这样一个网络，从历史发展看整个智能在不断演化。

所以从整体来讲，我们物联网做什么？很简单做监控、故障检测等等。但是现在物联网要做很小，我们可以采集数据，这些数据不仅是采集来，我们更多做决策做支持，这为什么我们今天人工智能有了进一步发展。这个数据不光是物联网来的。但是另外的因素就是我们物联网本身它也不一样，尤其是芯片发展以后，物联网本身可能自己在调优自己在控制，本身有了内升循环的功能，这个功能使我们物联网不是简简单单做跟踪和我们这些原始的功能，我们可能有智能做反馈、做引导、做控制。另外我们还有一个因素就是人要参与进来，人也可能产生好多数据，互联网人是一个终端，我们要使用这个它，但是现在我们人可以参与进来，很多因素成为新的物联网，包括人机融合网络一个点，既是参与者又是决策者。

所以说我们现在期望物联网会好，有很多因素大家看到，包括十几个字来概括它但是这是我们理想太，但实际上我们面临很多挑战、问题。第一个就是数据来源问题，我们现在就是来源设备上午报告也讲了，最大特点就是异构、多元，这些数据怎么处理它？仍然是一个问题。另外我们感知设备，就是感知终端这一块儿，能量上还不如像我们整个计算机这样一个强大，包括它的计算能够，包括存储能力，甚至包括通讯能力，都还有一些约束在里面。另外就是数据类型上，我们很多都知道数据类型很丰富这也是我们数据处理很困难的问题。另外还有分析的问题，我们在处理大数据上仍然还是用基本常用方法，怎么样对异构多元处理它这仍然是我们人机网络中要处理的问题。

右边列了六个技术，都是我们感知中用的重要的技术，包括5G，我今天讲的更多是RFID，因为它有很多特点在这块儿应用。最原始的项目它就是条行码，这个最大缺点就是要一件一件来做，但是RFID就是我买十件东西可以一下扫完。RFID用的最多就是在图书馆，因为这种标签不是说我们购物以后拿回家不能用了，它是可以重复反复利用的，这个是最重要的一个点，尤其大部分做电源部署的时候可能是很难的事情，另外它这个比较小比较便宜等等一些因素使它在很多领域有用。下面提出的概念可能这个能量即服务概念，因为无源标签不需要有电池，能量怎么来的？就是无源感知技术做传播，使得这个RFID用起来可能更广。

RFID研究上，我今天讲两个方面一个讲理论，另外一个讲应用。第一个是怎么提高速度，因为现在大批量做出来，数字太慢肯定不行，另外要准确，有些关键时候要准确，另外就是可靠，这三个方面做的。第一个我们想做的就是大规模讲大规模RFID我们要识别它很难，增大（音）公司一年丢失率很大，我们怎么管理它？在一个大型一个系统中可能是一个比较难的事情，所以我们现在做的是，就是第一个我们想就是怎么样提高无线信道利用率，因为咱们知道标签信道能力，就是传输能力很低的，比方说在短信道提高效率可能是要解决核心的一个问题，所以这个问题我们现在讲，它不对称性，阅读和标签能力完全不一样，你要靠阅读器来做很难，你把很复杂的算法放在标签上也不做不了。在标签角度我们只能做轻量级的一别算法才能做，这也是我们导致很多东西不能做的重要原因，就是要在阅读器和标签之间做一些关联。

其实讲到这个概念最基本的原理就是用了哈希做法，通过两个参数，一个是RFDI每一个标签通过映射，这个整个做RFID搞理论研究最基本的规则，这样做有的时候映射不到，如果没有映射到就是空的，多的话就重了，唯一能做就是一对一映射，实际上这样做肯定不行，如果有10亿标签这样做肯定是不行的。第一个问题我们做怎么样用计算来换通应效率。我们现在一种做法把很多任务放到服务器上做，使计算在阅读器上做完之后再往下做。事实上这样很简单你分组分的越多效率肯定提高了，整个呈现通信也大，这两个做一个（英文）。具体我不讲了。

这个是我们整个做的结果，确实比现在多了好多倍。第二个是我们采样来做，因为标签很多，采样我们知道采多少有问题？我快速跳一下，我们希望通过采样来阈值，这个方面我们做了很好的效果。

还有一个问题就是估计。其实在很多时候我们要估计多少，有一种是做精确估计，五年以前我们做了一些精确估计，实际在很多场合不是要做多少标签，你看今天我们可能有两千人，我们不需要估计到两千零一人，两千二人，我们必须有一个大量的估计可以，这个是我们下面要做的一个事情。尤其在一个大量的参数中，我们只需要判断是不是要进货，判断我们营销策略是不是合理，有一个大的估计，这方面做的事情。所以传统的方法可能把这个阅读器报销服务，所有都要做多少个，这样可以做。但是我们有多类别，最开始我们做的是单类别，现在会场只有学者来做，实际上在很多商场有不同的类别，你比方说我们有化妆品、我们有服装我们有各种东西。所以在这里面我们怎么多类别估计？实际上2006年有一种工作就提出了，如果说我估计时间和数量与标签的数量有关系，而是与类别多少关系，实际上这里面有个关系，不同类别标签数量不一样，在这样怎么来做，我们要提出来很好，不一定兑现很好，因为数量没关系，跟标签种类有关系，在这样情况下，我们可能就提出这种定性分组的方式，来做组类，也有一个很好的例子，通过定位分组来做这个事情。

大家有兴趣可以看我们文章来做这个事情。这个就是我们讲多类标签的事情。

第三个问题我们讲安全问题，整个协议上，现在我们大部分标签就是这样的协议，就是C1G2的协议，这种协议很低下，所以我们做这个很少。我们在这个范围内尤其在商场有恶毒阅读器很容易把所有标签读走，所以这个设备怎么办？我们要保护它，我们不要在标签上做复杂因为做不了，我们要用阻塞标签。我想要把保护的标签做一个虚拟的标签，只要我想保护它就读不走了，但是反过来有一个问题，但是我要统计我有多少标签的时候，假如我红的想保护我生成四个白的，但是ID是一样的，你要读就发生碰撞，我们这样信息就读不走了。但是问题也出来了，我不知道我怎么来估计标签数了，我已经不知道我们有多少个（英文）在里面，所以这个我们也做了问题。我们想到一个很巧妙的办法，就巴算出来，就是通过阻塞标签和正常标签叠加来做。

我们希望通过两个00对的数量和11对的数量来判断我们标签有多少，但我们这些数据说出来，我们有很简单的一个数据，00对是用A00表示，11对是F1表示，这个F是幅度、长度、P是概率。这样很简单我们就算出来，我们估计这个完全机构是差不多。另外反过来还有一个问题，你现在有了这样一个保护机制，可能给攻击带来麻烦，所以我们也做这个方面，时间关系我不讲，大家可以来看。

下面我们做了一些系统实现的事情，我主要讲一下机器人盘点，这是在我们天津大学图书馆做的，我们新校区所有的书都放了一个标签在里面，所以为我们标签研究上做了很大的研究，我们第一个问题怎么来盘点它？其实图书馆来讲人工盘点是相当负责的过程，如果你要真要盘点，一个月盘点一次如果人的话就每天盘点。那我们用机器人怎么做的准确这是我们要做的事情。

我们现在很简单，我们机器人有个天线，机器人捆绑一个阅读器就这样一个东西，在机器里面还要有一个能算的功能，就这些一个东西。我们还有升降杆，图书有很多层，我们希望软件自动，一层一层来扫让它按照图书馆轨迹来做。我们还有激光雷达主要做轨迹跟踪，现在这个事情我们网上也在做，到12点以后我机器开启就可以做了。现在也有几个问题做，其实读的过程中有很多书籍员，我可以把书的ID读出来，这很简单。我们扫码页读出来，还有包括我们今天项目群，还有希望强度、时间信息等等。RFID刚讲过，通信说的很差，信号强度很不稳定，所以我们用各个项目值来算，怎么样通过项目值把这个书坐标定出来，这就是现在要做的事情。

现在假装有三个标签，有两个标签横坐标是一样的，有两个标签是纵坐标是一样的，我希望通过这种类型来做，有个很简单的思想，因为这个可以看到横坐标代表的是向位值，在这样基础上我们知道第一噪音要处理，第一个我们就要消除半波。另外就要删除周期跳变，这是我们发现对数据造成两个最大的因素在里面。所以在这种情况项目的曲线，我们刚才讲横坐标一样，反映你坐标的横坐标，向位曲线的曲率反映纵坐标，所以我们希望通过这两个参数把X、Y求出来，很简单我们通过这个方法就做出来了。所以我们通过简单的读取来做出来，但实际上这样做出来我们可以算出好多X、Y，因为扫的过程当中反复读到信息，但是不是做平均值最好？我们也发现做平均值可能还不是很好，所以我们希望通过方差型来做，这样准确率更高。我们现在讲加权平均的方法能够更快收敛到正确值，我国通过方差再做加减乘除效果可能就更好。

刚才讲的是二维落到三维也是一样的，原先只做一个平面，现在做两个平面，这样一交叉就变成三维了，这样也没问题。实际上我们用的是这个，因为整个咱们实际上都有并行两排，正面一排反面一排来做，正反最大难点就是频率怎么来射？因为频率射小读不到，射到了根本读不出来。

所以现在精准度可能一个是从书架级的，就一个书架刚才讲没有反面的时候我们可以达到99%，这是基本的问题。如果AB面的时候我们会到95%，有的时候把背面数读过来的，还有层级，咱们书架都不是一层都是跨层的，我们这个层级读到95%。所以误差我们小雨7本概率超过85%，如果超过10本概率是95%，如果超越7本以内就不要动了，5本就不影响读者来找它，10本也没问题。跨区需要动，这种盘点过程就是把书归位，如果我们误差很大的时候我们才把书归位，这样盘点过程中省很多力。

（视频）

第二个我们一个应用就是讲也是用RFID，也是借书来讲，如果一个人到了一个书店我可以判断这个人对这个书是不是有兴趣，它是买了还是没买，其实这块儿是我要做的事情，我给大家简单放一个视频，大家就知道我们做什么，这个简单放一下。我们通过它的动作就知道它现在是想买书还是看书等等一些东西，这个我们可以在了解用这个系统，就是在一个书店里面，我们可以看哪一个书畅销，因为他来了以后信息能知道，这本书是年轻人有意思等等，我们同通过这做，这个可能就把核心商品要有一个标签，根据它的动作来做一些决策，时间关系不太讲这个事情。

最后讲一下到底做无人感知有哪些新的方向。第一个随着芯片发展未来会越来越高，在这样基础上，在芯片上可能要植入一些，尽管轻量级算法可能比原先更好，这样使我们整个系统还有很多改善，但是一旦有了系统计算算法我们系统改变上我们想可能是做的第一个因素。

第二个我们现在就是还讲人参与，尤其机器人可能有很多情感、生理、知识、语言等放进来，我们需要思考这样新的系统怎么来建也需要思考。

第三个还是真正的边缘计算，因为整个互联感知这一块儿更多还是在边缘端，因为现在边缘计算很火，尤其是结合5G我们边缘端还要做一些事情。

最后一个我现在讲的是单一的，未来可能做的都是分布式的不同的东西感应的是不一样的，在分布我们互联感知要怎么做，我想这也是未来要做的事。这是我的观点给大家分享一下，谢谢大家。