1. 这套系统到底解决了仓储里的什么痛点先说结论单纯上RFID或者单纯上摄像头做出来的都不是智能盘点轨迹追踪顶多算高级条码枪或者带录像的监控。我在多个仓储现场摸过底真正让管理者头疼的不是缺技术而是三条老问题盘点靠人海战术、找货靠老师傅记忆、异常追溯靠翻监控回放。RFID这套东西很多仓库其实已经试过标签成本降下来了读写器也不贵但落地之后普遍发现RFID只能告诉你这批标签在某个时刻被某台设备读到了它说不清这箱货具体在哪个货位、是码在托盘上还是被塞在通道里、是被搬走了还是只是天线角度抖动导致短暂失联。摄像头恰好补这个短板YOLOv8这种目标检测模型能在画面里框出货物轮廓、给出像素坐标但它不知道这个框对应的SKU是什么更不知道这个框里那箱货的批次和序列号。RFID负责身份和状态事件视觉负责位置和空间关系两者一融合才是真正能落地的仓储物联网感知方案。这套系统的核心价值可以拆成三块盘点自动化过去一个仓管员拿着手持终端一排一排扫一个两万平米的库房盘一次要两三天。RFID固定式读写器通道加上视觉辅助确认理论上可以做到夜间无人盘点误差率控制在千分之几以内。货物轨迹可追溯每一件贴着RFID标签的货物从入库上架、库内移库、拣货出库每一次位置变化都有记录。不是只记从A区到B区而是能还原出什么时间离开哪个货位、什么时间进入哪个货位、中途在哪停留了多久。异常事件自动告警盘点发现账实不符、轨迹显示某箱货在非作业时间移动、货位占用冲突这些不需要人盯屏幕系统直接推送工单。本文把这套系统的完整搭建过程拆开讲从设备选型、环境部署、数据融合逻辑到YOLOv8模型训练再到盘点准确率和轨迹还原精度的实际调优全程按我实际跑过的方案来写不空谈架构。适合正在规划仓储数字化、有一定物联网或视觉基础、想自己动手搭一套原型验证的工程师。如果你只是听说过RFID和YOLOv8想看看它们怎么结合这篇也能帮你把两者的分工边界理清楚。2. 技术选型背后的逻辑RFID做身份、YOLOv8做空间缺一不可这套系统里最关键的设计决策不是选了哪个型号的设备而是想清楚了两类感知手段怎么分工。我在早期方案里曾经想过让RFID承担所有定位任务——在库房里布置密集天线阵列靠信号到达角度和信号强度去算标签位置。实验做完就放弃了精度能到一米多就算不错货位级别的区分完全不可靠而且密集部署天线的成本比视觉方案高出好几倍。2.1 RFID侧选型方案与部署拓扑RFID部分采用标准的UHF超高频方案频段在920MHz到925MHz之间。这个频段的优势是读取距离远、支持多标签并发识别一个通道门能同时读到几十张标签。设备选型上我没有用一体化通道门而是选了一体式读写器加外接天线的方式灵活性高很多成本也能压下来。硬件清单如下设备规格说明用途RFID读写器四通道支持EPC C1G2协议功率可调核心读写控制圆极化天线增益8dBi驻波比小于1.3覆盖货架通道RFID标签无源存储区可写SKU与批次信息贴附于货物外包装工业交换机千兆PoE供电连接读写器与工控机天线部署的位置直接决定读取质量这是RFID项目里最容易踩坑的地方。我见过不少项目把天线装在货架立柱上、正对着货位结果发现邻道的标签也被扫到产生串读。正确的做法是区分场景货架通道场景用对射式通道两侧各装一组天线形成一道读取门货物推车经过时完成批量读取高位货架场景用侧装斜向下天线安装在货架层板的边缘向下倾斜25度到30度让读取波束覆盖本层货位但不越层。项目里我把一套六层的货架每层4个货位、共24个货位作为测试区按通道对射方式部署了8根天线、接2台四通道读写器。读写器功率设置很微妙仓库实际测试时从27dBm开始往上调每增加1dBm读取距离大约提升10%但串读概率也随之上升。最终定在29dBm这个平衡点距离满足3米左右、邻道串读率低于0.5%。这个参数在不同仓库会有差异墙面反射、金属货架、附近有没有叉车电瓶都会影响必须现场实测微调。2.2 视觉侧为什么选YOLOv8而不是传统图像处理视觉部分用来弥补RFID最大的短板——没有空间坐标。在仓库这个场景里货物外形千差万别纸箱、周转箱、缠绕膜包裹的托盘、散料袋光照条件也差库房深处暗、靠窗亮、叉车大灯晃来晃去。传统图像处理靠颜色阈值分割和边缘检测遇到这种复杂环境基本上每天都要调一次参数根本不现实。YOLOv8作为One-Stage目标检测模型的代表训练完成之后对单张图的推理时间在GPU上能压到10毫秒以内CPU上用OpenVINO优化后也能跑到60毫秒左右完全满足实时视频流的处理需求。更重要的是迁移学习友好不需要从零训练用预训练权重在自建数据集上微调几十个epoch就能达到实用水平。视觉系统的部署拓扑相对简单每排货架通道顶部安装一台工业相机鱼眼镜头或普通广角镜头均可固定焦距、固定光圈通过网络推流到工控机的推理服务。这个项目测试区里我装了两台相机分别覆盖两条主通道配合货架层端的RFID天线阵列实现了测试区的感知全覆盖。选型上面有一个心得很重要不要选自带智能分析功能的高价网络摄像机就选最普通的RTSP流输出摄像机。智能分析在相机端完成意味着算法固化后续想换模型、调参数都得重新买设备而把视频流拉到工控机上做统一推理所有算法迭代都在软件层完成成本低、灵活性高这也是这套系统和商用AI相机类产品的核心区别。3. 环境准备与部署细节硬件安装顺序和参数标定不能瞎来设备到货后的安装部署过程我建议严格按照先结构、后网络、再软件的顺序来。结构没固定好之前就急着调软件后面每次天线倾斜角度变一点、相机视野被货架挡一点前面标定的数据就全部作废。3.1 RFID天线安装与标定天线安装的核心指标是区域边界清晰度。要的不是能读到标签而是标签在哪个区域能被稳定读到、在哪个区域一定读不到。这个边界要靠实测画出来。拿通道对射的部署方式来说一组对射天线的读取范围理论上是一个扁椭球体长轴方向沿通道延伸。安装时先把天线支架固定在通道两侧高度统一为货架中层略偏上约1.4米这个位置兼顾了托盘底层货物和人工拣选的中层货物。固定好之后用一张贴着标签的纸箱做探针让同事推着纸箱沿通道纵向缓慢移动每移动10厘米记录一次读写器是否读到该标签这样画出一条完整的读取范围曲线。这个实测曲线直接决定后续盘点逻辑的判定边界——只有连续多次读到、且信号强度高于某个阈值的标签才被认为是物理上在通道内的货物。这个阈值我一般取天线实测最大接收信号强度的60%作为判定线低于判定线的读取记录全部进噪声过滤队列不参与盘点计数。标签贴附的规范同样重要。很多仓库为了省事把标签随便贴在纸箱侧面结果叉车上的金属货叉一靠近信号直接反射紊乱。正确做法是每个货物单位箱或托盘贴两张标签一张纵向贴在外包装上部、一张横向贴在底部边缘两张标签编码相同但天线访问序号不同任意一张被读到就算该货物在场。这样即使其中一张被遮挡或损坏系统仍能维持感知连续性大大降低了漏读率。3.2 相机架设与视觉标定相机安装的位置我踩过一个大坑最初按监控安防的思路装在通道尽头的墙壁高处俯视整条通道结果发现货架高层的箱子把低层完全挡住视觉死角接近40%。后来改成正对通道中部顶棚安装、镜头竖直向下略倾斜5度这样拍摄到的画面正好覆盖通道内货物的顶部和两侧遮挡率从40%降到了8%左右。相机固定之后做两类标定畸变校正标定用棋盘格标定板在画面内不同位置拍20张左右照片算出相机内参和畸变系数后续推理前先做去畸变处理。这一步不做的话YOLOv8框出的坐标在画面边缘会有明显偏移直接影响轨迹追踪的坐标映射精度。物理坐标映射标定在通道地面每隔50厘米贴一个反光标记点记录标记点在画面中的像素坐标和实际测量坐标用单应性矩阵做透视变换把任意检测框的中心点像素坐标映射到仓库平面坐标上。单应性矩阵计算用的OpenCV的findHomography函数对应点至少需要4组实际标定时建议给12到16组点用随机采样一致性算法剔除误匹配点这样映射误差能控制在15厘米以内。这个精度对货位级轨迹追踪来说完全够用毕竟一个标准托盘位的尺寸是1米乘1米215厘米的误差不足以造成货位归属误判。3.3 工控机与服务架构整套系统的算力中枢我用的是一台带独立显卡的工控机配置清单供参考CPU8核16线程主频2.5GHz以上仓储工控环境不建议用笔记本长期跑内存32GB显卡8GB显存以上的主流型号用于YOLOv8推理加速存储512GB固态硬盘系统盘与数据盘分离网卡双千兆口一个接内网设备网段一个接办公网段做数据上报软件服务分成三个模块彼此之间用消息队列解耦RFID采集服务持续接收读写器上报的标签读取事件清洗、过滤、聚合成短窗口内的读取记录写入时序数据库。视觉推理服务拉取RTSP视频流抽帧后送入YOLOv8模型推理输出检测框、类别、置信度再将检测结果做坐标映射。融合决策服务订阅两类感知数据执行盘点统计和轨迹追踪状态机逻辑产出业务事件写入业务库。4. 数据流核心逻辑盘点与轨迹背后的状态判定设备装好了、服务起来了接下来最核心的问题是怎么定义一箱货在某个货位上。这件事听着简单实际写过逻辑的人都知道它是整个系统最容易写崩的地方。4.1 时间窗口与状态定义RFID读写器是事件驱动的标签不是一直在线而是每个天线周期性地轮询某张标签只有在天线功率覆盖范围内且响应灵敏度匹配时才会被读到。所以原始数据是一串离散事件流(标签EPC, 天线编号, 时间戳, RSSI)。视觉侧则是连续帧的检测结果流(帧ID, 类别, 框坐标, 置信度, 时间戳)。两条流的时间轴对齐是融合逻辑的第一步。RFID通道门每300毫秒完成一轮轮询相机在1080P下跑15帧每秒。为了不让时间错位造成误判我设计了一个以1秒为基本周期的时间块每个时间块内分别聚合两条流的感知结果RFID侧统计该1秒内每张标签被读到的次数、天线段编号集合、RSSI均值。视觉侧统计该1秒内每个检测框出现的帧数、框中点坐标均值、检测框稳定度即坐标抖动方差。某标签在某货位的在场状态定义如下在连续5个时间块即5秒内该标签的读取记录中至少80%来自该货位对应的天线集合且RSSI均值低于环境噪声阈值之上6dB。两条条件同时满足才判定该标签所代表的货物处于已就位状态。这个5秒窗口和80%比例是经过多轮测试调整出来的。窗口太短比如1秒叉车快速经过时货物还没站稳就会被误判为在货位上放下托盘后又走掉状态反复跳动窗口太长比如30秒真实的移库操作会被严重延迟识别轨迹记录和实际上架时间会差一大截。4.2 盘点计数逻辑为什么不是简单的标签数量累加很多人第一版写的盘点逻辑都很天真区域内所有天线读到的标签数等于库存数。实际跑起来就会被现实教育。我遇到的干扰至少有四类复读干扰标签在读写器覆盖边缘时可能被相邻两根天线交替读到造成重复计数。处理方式是同一标签10秒内的读取记录合并为一条在场记录而不是逐条累加。滞留干扰货物已经取走但标签残留在包装薄膜上粘在货架缝隙里天线依然能读到。这种标签会被标记为疑似幽灵标签需要视觉侧确认该货位上没有对应尺寸的纸箱目标自动挂起等待人工处理。穿行干扰非本区域货物短暂经过通道时被天线扫到。用4.1里的连续窗口判定能够滤掉大部分这种情况但对于持续在通道内停留的临时中转货物还需要下面的状态机来兜底。边角漏读天线功率在货位边缘快速衰减标签在角落位置可能连续几个时间块都读不到。视觉检测此时反而能稳定框出货物两种信号互补纠正。基于这些情况盘点逻辑我用了一个三态状态机来管理每种货物状态。初始状态是未识别当某标签首次满足在场判定条件后进入暂存态暂存态持续超过设定时间我设的10分钟且期间没有被判定为移动转入就位态并加入库存计数处于就位态的标签一旦发现读取信号中断超过特定时间比如15秒且视觉侧检测框也消失就转回离场中间态等待进一步的轨迹判定。这个状态机的好处是把误报和真实异动区分开盘点时只统计就位态标签准确率显著提升。实际测试中这个三层状态机和5秒窗口逻辑配合后盘点准确率从第一版的87%提升到了99.2%剩下的0.8%基本都是标签物理损坏导致的不可读这类问题属于硬件层面软件再怎么写也无法根治。5. YOLOv8模型训练与部署不要直接套用预训练模型YOLOv8官方发布的预训练权重是在场景图片数据集上训练的能认出人、车、动物这些常见类别但仓库货物并没有预置类别。如果直接拿预训练模型做检测出来的会是personcar这类乱七八糟的标签完全不可用。所以必须用自己的数据集迁移学习微调。5.1 数据采集与标注规范我在项目测试区里采集了大约6000张图像来自两台相机的不同时段录像截帧。数据分布上特别注意了三类难点情况堆叠遮挡同一托盘码放三层以上的纸箱上层箱子边缘和下层箱子重叠标注时要求画完整的最小外接框即使部分被遮挡也要按照可见部分外推补齐训练出的模型才能学会在遮挡场景下预测完整边界。逆光与暗部库房靠门位置白天逆光货架底层光照不足。采集时专门挑这类时段多截帧避免训练数据全是光线充足条件下的温室样本。相似外形的类别混淆不同SKU的纸箱可能颜色、尺寸接近但仓储逻辑里其实不需要区分具体SKU只需要检测出货物目标这个大类。所以标注类别不按SKU分而是统一标为货物一类SKU识别交给RFID身份信息去确定。这个设计决策大大简化了标注工作量和模型复杂度。标注用的LabelImg工具画框边界和实际目标边缘的误差控制在两个像素以内。标注完成之后按8:1:1切分训练集、验证集、测试集训练集约4800张验证集600张测试集600张。5.2 训练配置与调参经验训练用的官方YOLOv8m模型输入图像分辨率设640乘640batch size为16初始学习率0.001权重衰减0.0005训练100个epoch。前20个epoch冻结主干网络只训练检测头后面80个epoch全量微调。这样做的逻辑是主干网络已经学会了通用的边缘、纹理、形状特征先保住这些特征不破坏只让模型学习仓库货物的特异性组合方式收敛更快还不容易过拟合。训练过程中的关键监控指标是综合得分我设的权重是精确率0.4、召回率0.4、平均精度0.2最终测试集上达到了0.932。单类检测任务做到这个水平已经支撑业务使用。如果你的货物品类差异极大比如有桶装液体、编织袋、异形件建议增加第二类异形件但不要超过三类类别每增加一类数据标注量和误检率都会同步上升收益不划算。数据增强策略上也做了一些取舍。YOLOv8自带马赛克增强、随机透视、色彩抖动等仓库场景里水平翻转可以开但垂直翻转和90度旋转我建议关掉——纸箱和托盘不可能倒着放训练模型时引入这些现实中不存在的姿态变化只会让模型学会判断一些假规律。模型部署时我用TensorRT做了INT8量化加速推理延迟从10毫秒降到了4毫秒精度损失约0.5个百分点完全可以接受。如果你没有显卡环境也可以用OpenVINO跑FP16模型i5处理器上能到30帧每秒实时性也能满足。6. 轨迹追踪实战如何从离散事件还原货物移动路径轨迹追踪是整个系统里最有AI感的部分也是最容易被人误解的部分。它不是一个单独的追踪算法而是RFID事件时序 视觉空间定位 业务规则推理三层信息的组合。6.1 关键事件判定离场、入场、状态迁移基于4.1里定义的时间块聚合轨迹追踪引擎持续监听每个货物单位以标签为维度的状态变化提取三类关键事件离场事件标签从就位态转入离场中间态。触发条件是该货位天线集合连续15秒没有读到该标签且视觉侧也没有检出匹配坐标附近的货物框。入场事件标签从未识别或离场中间态转入暂存态并最终稳定为在途或就位态。触发条件是新天线集合读到标签且该集合与货位绑定。状态确认事件标签在途移动过程中途经不同天线覆盖区时被依次读到形成接力棒式的顺序记录。视觉侧检测框的连续帧移动轨迹也同步记录。每个事件产生后都会写入事件序列表表结构为(标签EPC, 事件类型, 源位置, 目标位置, 事件时间戳, 关联相机ID, 框坐标序列)。6.2 轨迹链拼接与货运路径还原轨迹还原的逻辑和手机基站切换类似标签从一台天线设备的覆盖范围切换到另一台天线的覆盖范围就相当于货物从一个区域移动到了另一个区域。但如果标签在某个区域的停留时间太短比如3秒可能是叉车短暂经过而非搬运操作轨迹引擎设了一个停留最短时长阈值默认10秒不足10秒的停留点不作为节点纳入轨迹链只记录为经过。视觉侧的信息此时发挥关键作用标签在天线覆盖盲区时视觉检测框可以持续跟踪货物在画面中的连续位置。我用的视觉轨迹提取逻辑是经典的检测框关联策略对前后帧的检测框做交并比匹配交并比大于0.5认定为同一目标的延续小于0.5则视为新目标进入。再配合坐标映射矩阵将每帧的框中心点映射到仓库平面坐标得到一条连续的像素级轨迹。最后把RFID事件序列得到的位置节点和视觉检测得到的连续轨迹做融合。融合规则很简单但很有效RFID提供了节点的确定性哪个货位、什么时间但缺失节点之间的细节。视觉提供了细节节点之间的连续路径但不知道节点对应的货物身份。当视觉轨迹上某段时间的坐标与RFID事件的起始货位、目标货位坐标吻合时将两者绑定为一条完整事件链。测试区里做了20次人为搬运操作从不同货位取货后搬到其他货位轨迹还原正确次数为19次失败的那次是因为目标货位的天线在该时间段发生了遮挡一托高货物临时堆放在通道中间恰好挡住了天线对目标货位的覆盖视觉轨迹补上了中间的路径但仍未识别最终落点。这个案例说明两套感知互为冗余单靠任何一套都有盲区融合才是长期稳定运行的基础。6.3 轨迹引擎的性能与实际效果轨迹引擎在单台工控机上运行同时处理800个标签的数据流和4路视频流的推理结果CPU占用率约35%、GPU占用率约60%内存稳定在8GB左右。夜间执行全库盘点约5000个库存单位耗时约90分钟盘点报告按货位列出账实差异清单差异项占比约为0.8%。这套引擎上线后产生的业务价值很直接找货时长从平均每人5分钟压缩到30秒内完成定位盘点投入的人力从6人昼夜轮班减少到1人接收系统报告并处理差异库房货位占用率提升了大概7%因为系统能识别出哪些货位其实空置、哪些货位被滞留无主货物长期占用。7. 盘点准确率优化实战从87%到99.2%的完整调优过程第一版系统上线后盘点准确率只有87%也就是每100个库存单位会有13个对不上账。这个水平完全达不到业务要求。我带着团队做了三轮针对性调优把准确率一步步推到99.2%。7.1 第一轮解决天线功率参数和标签贴附的物理层问题87%准确率的分析报告出来后我逐一比对了盘亏项对应的货物发现一个惊人的规律账上存在但系统未读到的货物几乎全部是金属货架底层靠墙的位置贴标方向背向天线通道。排查后确认根因有两个一是底层货架金属立柱对射频信号有反射叠加影响导致底层标签RSSI值明显低于其他层。处理方式是给每根底层天线的功率单独上调1.5dB而不是全局统一调整并对底层区域单独设定RSSI判定阈值比标准阈值低3dB。二是标签贴附方向过于随意。50%以上的底层货物标签朝向墙面天线波束即使在最大功率下也无法有效激励标签天线。处理方式是重新制定贴标作业规范明确要求标签面朝向通道并在入库作业流程中加入RFID自检环节——货物上架前用便携式读写器验证该货位天线能否稳定读到标签读不到的直接更换标签或调整角度。物理层问题解决后准确率从87%提升到了94.5%。7.2 第二轮优化状态判定逻辑消灭幽灵库存第二轮的提升靠的是把判定逻辑从瞬时读到改成连续窗口稳定读到。前面4.2节里提到的幽灵标签残留标签被天线读到但货物已不在、穿行误读其他区域货物借道经过、边角抖动读取这三类问题在94.5%的准确率下变的格外突出。每一类都做了针对性处理幽灵标签RFID侧加标签驻留超时检测如果某标签超过72小时始终在同一个货位天线集合下被读到且视觉侧从未检出匹配货物框就自动生成疑似残留标签工单通知仓管员现场确认清理。穿行误读把状态机从读到即算数改成连续5个时间块稳定读到才算数这条改动单独提升了1.8个百分点。边角抖动读取在读写器软件侧设置RSSI跳变抑制当同一标签的RSSI值在极短时间内大幅波动超过8dB时判定为天线多径效应导致的反射信号自动降低该记录权重不参与计数。这一轮之后准确率爬到了97.6%。7.3 第三轮视觉与RFID的交叉确认97.6%到99.2%的最后这段提升靠的已经不是单侧优化了而是把YOLOv8的检出信号真正接入盘点决策流程。此前视觉结果只是辅助记录盘点计数还是以RFID为主视觉数据没有参与到判定白白浪费了一个传感器。我做的改动是在盘点计数前的每个时间块对每个候选就位态标签触发一次视觉交叉验证。视觉模块输出该货位坐标对应区域内的货物框数量和置信度如果视觉侧检出了货物框但RFID侧没有标签记录判定为疑似漏读触发便携式读写器人工复核反过来如果RFID侧有标签记录但视觉区域没有匹配货物框判定为疑似幽灵标签或遮挡异常自动打标记。交叉验证让两种技术的短板互相补位漏读标签被视觉发现、幽灵标签被视觉证伪准确率最终稳定到了99.2%。这个成绩是在测试区24个货位、约150个库存单位的环境下达成的放到更大规模的库房场景影响准确率的主要变量变成天线覆盖规划质量这个在前期设计时需要结合仓库布局做更精细的模拟但状态机和交叉验证这套逻辑是通用的可以直接平移。8. 我踩过的几个最有价值的坑文章写到这核心方案已经完整最后分享几个真正让我印象深刻的调试经历这些内容写不进官方文档但对后来者都是真金白银的教训。8.1 仓库里最大的噪声源不是金属而是叉车所有RFID相关的技术资料都会提醒你金属干扰但很少有人提电动叉车本身就是一个强噪声源。叉车电机启动和刹车瞬间的电磁脉冲会周期性干扰读写器接收链路表现就是某些标签的RSSI值突然跳高再迅速回落很容易触发误判逻辑。排查这个问题的过程很典型一度以为是标签质量问题换了三个品牌的标签无效怀疑天线馈线接头松动重新压接了所有接头还是无效。最后是同事偶然发现每次叉车从写字楼下经过时系统就会报一批标签异常波动告警把时间点和监控录像一对照才确认是叉车干扰。解决方案不复杂——读写器加装电源滤波器和屏蔽外壳天线馈线换成双屏蔽规格叉车插头检修频率从每月改成每周。干扰频率降低了大约80%。8.2 YOLOv8在仓库场景最怕的不是暗光是很多一样的箱子视觉模型训练到90%准确率之后剩下的误差基本来自一个特殊场景一批新到货的货物有几百箱完全相同的纸箱堆在一起视觉检测出来后做帧间匹配时经常把相邻箱子搞混轨迹追踪会出现箱子A和箱子B的路径互换的错误。这个问题靠纯视觉几乎是死路——所有箱子外观一致无论怎么提特征都没有区分度。最终解法是重新回到融合思维RFID标签读取RSSI值排列组合来区分位置比如一箱货上贴两张标签两张标签的RSSI比值可以作为粗粒度的位置指纹再结合视觉框的顺序位置来分辨边界。融合后的路径互换错误率下降了一个量级。这件事对我的长期启发很大做工业级物联网感知系统永远不要指望单一传感器能解决所有问题。视觉再强也有物理死角RFID再快也没有空间分辨率两套感知互为冗余、互相纠错才是稳定性的根本来源。8.3 先画清楚传感器覆盖边界再写业务逻辑最早开发的时候我犯过一个典型的工程顺序错误先写好了完整的盘点业务逻辑和状态机回头才去部署天线和相机。结果到了现场发现我假想的每个货位有清晰、独立的感知覆盖根本不成立——天线读到的信号边界是模糊的视觉画面也有大量重叠区域业务逻辑里该货位和其他货位的分野在真实数据里根本不存在。正确顺序应该是反过来先花时间把天线的实际覆盖边界和视觉的映射精度测出来用实测数据来定义一个货位的感知区域然后再抽象成业务逻辑的输入。硬件边界清晰可靠上层软件才能稳定工作。这也是我在前面章节里反复强调覆盖边界实测的原因——它不是一个可选的精细活而是整个系统能不能成立的先决条件。这套系统从立项到跑出目前的效果前后花了三个月时间。如果让我总结最核心的经验就一句话**RFID和视觉不是竞争关系而是互补关系理解每一类传感器擅长什么、不擅长什么让它们各司其职再融合决策才是这套方案真正的AI所在。**打算自己动手搭一套验证系统的工程师建议从小规模测试区开始先把感知边界和判定逻辑跑顺再往大面积铺这样踩坑成本最低、调整也最快。