Approches d'apprentissage profond pour la détection en couche physique de télécommunications multi-accès

Deep learning based approaches for detection in physical layer wireless multiple access

• Auteur / Autrice : Cyrille Morin
• Direction : Jean-Marie Gorce
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal et des images
• Date : Soutenance le 22/07/2021
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : École doctorale Électronique, électrotechnique, automatique (Lyon)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Institut national des sciences appliquées (Lyon ; 1957-....)
• Partenaire(s) de recherche : Laboratoire : CITI - Centre d'Innovation en Télécommunications et Intégration de services (Lyon, INSA) - CITI Centre of Innovation in Telecommunications and Integration of services / CITI
• Partenaire(s) de recherche : Equipe de recherche : MARACAS - Modèle et algorithmes pour des systèmes de communication fiables
• Jury : Président / Présidente : Christophe Moy
• Jury : Examinateurs / Examinatrices : Jean-Marie Gorce, Christophe Moy, Symeon Chatzinotas, Marco Di Renzo, Marwa Chafii, Catherine Douillard, Jakob Hoydis, Leonardo Sampaio Cardoso
• Jury : Rapporteurs / Rapporteuses : Symeon Chatzinotas, Marco Di Renzo

Mots clés

Mots clés contrôlés

Systèmes de communication sans fil

Radio logicielle

Apprentissage profond

Traitement du signal

Mots clés libres

Télécommunications

Traitement du signal

Apprentissage Profond

Apprentissage Machine

Communication sans fil

Réseau de neurones

Détection du signal

Objet connecté

Signal radiofréquence

Performance

Utilisation des ressources radio

Telecommunications

Signal Processing

Deep Learning

Machine Learning

Wireless communication

Neural Network

Signal detection

Connected objects

Radio Frequency Signal

Performance

Radio resources use

Résumé

Les tendances actuelles pointent vers une accélération de l'augmentation du nombre d'objets cherchant à accéder au spectre radio, à la fois par la démocratisation des objets grand public, smartphones, ordinateurs, montres connectées,... et par le déploiement d'objets et capteurs connectés. Des avancées technologiques, protocolaires et législatives augmentent les bandes de fréquence disponibles en ouvrant l'accès à la zone des GHz, mais la densité des objets communicant sur le spectre tend quand même à augmenter. L'accès multiple à une ressource radio partagée mène à des situations qui sont à la fois complexes à modéliser et à aborder avec les algorithmes actuels, et c'est particulièrement vrai pour les taches de type détection présentes au niveau des couches physiques des communications sans fil. Les algorithmes d'apprentissage profond sont particulièrement utiles dans ce type de situation, sans modèle ou avec des algorithmes existant peu pratiques, pour peu qu'une grande quantité de données soit disponible pour entraîner les réseaux de neurones. Cette thèse vise à adapter l'outil de l'apprentissage profond aux problèmes de détection de la couche physique, à différentes étapes de la chaîne de décodage. D'abord par le problème de la détection d'origine d'un paquet reçu, commençant par l'identification de caractéristiques matérielles d'un l'objet émetteur, puis étendant ce scénario à un ensemble d'objets actifs simultanément. L'étape suivant la détection de l'origine d'un paquet est la détection des bits, pour décoder les messages transmis. Dans ce cadre, l'apprentissage profond est employé pour apprendre des constellations permettant une détection efficace des bits dans un scénario multi-accès non orthogonal à deux utilisateurs. Les données servant à l'apprentissage des réseaux de neurones impliqués dans cette thèse sont récoltées soit dans des modèles simulés, soit par des expériences implémentées dans l'équipement de radio logicielle FIT CorteXlab.

Current trends point towards an accelerated augmentation of devices with a desire to access the shared radio spectrum, both due to the continued democratisation and capability augmentation of user facing radio devices, such as cellphones, computers, and especially wearables, but also to the deployment of connected objects and sensors. Technology, protocols, and legislation improvements increase the available frequency bands by opening new channels in the GHz range, but the density of devices is nevertheless expected to increase. Multiple access to a shared radio frequency resource leads to situations that are both complex to model, and to tackle with known algorithms, and it is true of detection tasks that arise in the physical layer of a wireless transmission. The class of deep learning algorithms is especially useful in this sort of situation without model, or with non tractable algorithms, as long as a large amount of labelled data is available to train the related neural networks. This thesis aims at adapting the deep learning tool to physical layer detection problems, in successive steps of a decoding chain. First with the problem of detecting the origin of a received packet, starting with hardware fingerprinting of a transmitting device, and extending it to a scenario with multiple active devices at the same time, detecting the set of active devices transmitting an explicit codeword. The next step after origin detection is bit detection, to decode transmitted messages. For that, deep learning is used to learn constellations allowing for an efficient bit detection in a multiple-access scenario, namely the two-user uplink NOMA. Data used to train the networks involved in this thesis are gathered both from simulated models, and from experimental implementations in the FIT CorteXlab software defined radio test-bed.