RF-MatID: Dataset and Benchmark for Radio Frequency Material Identification

📄 arXiv: 2601.20377v1 📥 PDF

作者: Xinyan Chen, Qinchun Li, Ruiqin Ma, Jiaqi Bai, Li Yi, Jianfei Yang

分类: cs.RO, eess.SP

发布日期: 2026-01-28

备注: Accepted by ICLR 2026

💡 一句话要点

提出RF-MatID数据集与基准，用于射频材料识别，促进具身智能发展。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 射频识别 材料识别 数据集 深度学习 具身智能

📋 核心要点

  1. 现有基于视觉的材料识别方法受限于光学传感器的局限性，无法有效获取材料的内在属性。
  2. RF-MatID数据集通过射频信号探测材料特性，并系统地考虑了几何扰动，为细粒度材料识别提供数据基础。
  3. 论文建立了多设置、多协议的基准，评估了现有深度学习模型在数据集上的性能，并分析了频率分配策略的影响。

📝 摘要（中文）

精确的材料识别在具身人工智能系统中至关重要，能够实现广泛的应用。然而，目前基于视觉的解决方案受到光学传感器固有约束的限制，而射频(RF)方法因能揭示材料的内在属性而受到越来越多的关注。尽管取得了进展，但基于射频的材料识别仍然受到缺乏大规模公共数据集和基于学习方法有限基准测试的阻碍。本文提出了RF-MatID，这是第一个开源、大规模、宽带和几何多样化的射频数据集，用于细粒度的材料识别。RF-MatID包括16个细粒度类别，分为5个超类，跨越4到43.5 GHz的宽频率范围，包含频率域和时域表示的142k个样本。该数据集系统地纳入了受控的几何扰动，包括入射角和间距的变化。我们进一步通过评估最先进的深度学习模型，建立了一个多设置、多协议的基准，评估了在跨角度和跨距离偏移下的分布内性能和分布外鲁棒性。5种频率分配协议能够进行系统的频率和区域级别分析，从而促进实际部署。RF-MatID旨在实现可重复的研究，加速算法进步，培养跨领域鲁棒性，并支持基于射频的材料识别在实际应用中的发展。

🔬 方法详解

问题定义：论文旨在解决射频材料识别领域缺乏大规模、多样化数据集的问题。现有方法在处理几何扰动（如入射角和距离变化）时鲁棒性不足，且缺乏统一的基准进行算法评估和比较。

核心思路：论文的核心思路是构建一个包含大量真实射频数据，并系统性地引入几何扰动的数据集，以此来促进算法的开发和评估。通过提供多种频率分配协议，鼓励研究人员探索不同频率范围对识别性能的影响。

技术框架：RF-MatID数据集包含16个细粒度材料类别，分为5个超类，覆盖4-43.5 GHz的频率范围。数据集包含142k个样本，具有频率域和时域两种表示。数据集中系统地包含了入射角和间距的几何扰动。论文还建立了多设置、多协议的基准，用于评估现有深度学习模型的性能。

关键创新：该数据集是首个开源、大规模、宽带、几何多样化的射频材料识别数据集。其创新之处在于：1) 数据规模大，覆盖范围广；2) 系统地考虑了几何扰动；3) 提供了多种频率分配协议，便于研究不同频率范围的影响。

关键设计：数据集的几何扰动通过控制入射角和间距的变化来实现。频率分配协议包括5种不同的方案，允许研究人员针对特定频率范围或区域进行分析。论文使用多种深度学习模型作为基线，并评估它们在不同设置下的性能，包括分布内和分布外（跨角度和跨距离）的鲁棒性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过实验验证了RF-MatID数据集的有效性。实验结果表明，现有深度学习模型在RF-MatID数据集上表现出一定的识别能力，但对于几何扰动和频率选择仍然存在挑战。论文还评估了不同频率分配协议对识别性能的影响，为实际应用提供了指导。

🎯 应用场景

该研究成果可广泛应用于具身智能、机器人、自动化生产线等领域。例如，机器人可以通过射频信号识别物体材质，从而进行更智能的抓取和操作。在质量检测方面，可以利用射频技术快速准确地识别材料，提高生产效率。未来，该技术有望应用于智能家居、安防等领域。

📄 摘要（原文）

Accurate material identification plays a crucial role in embodied AI systems, enabling a wide range of applications. However, current vision-based solutions are limited by the inherent constraints of optical sensors, while radio-frequency (RF) approaches, which can reveal intrinsic material properties, have received growing attention. Despite this progress, RF-based material identification remains hindered by the lack of large-scale public datasets and the limited benchmarking of learning-based approaches. In this work, we present RF-MatID, the first open-source, large-scale, wide-band, and geometry-diverse RF dataset for fine-grained material identification. RF-MatID includes 16 fine-grained categories grouped into 5 superclasses, spanning a broad frequency range from 4 to 43.5 GHz, and comprises 142k samples in both frequency- and time-domain representations. The dataset systematically incorporates controlled geometry perturbations, including variations in incidence angle and stand-off distance. We further establish a multi-setting, multi-protocol benchmark by evaluating state-of-the-art deep learning models, assessing both in-distribution performance and out-of-distribution robustness under cross-angle and cross-distance shifts. The 5 frequency-allocation protocols enable systematic frequency- and region-level analysis, thereby facilitating real-world deployment. RF-MatID aims to enable reproducible research, accelerate algorithmic advancement, foster cross-domain robustness, and support the development of real-world application in RF-based material identification.