Stratégies d'optimisation pour la réduction des interférences radars

Radar interference mitigation with V2X and A.I.

• Auteur / Autrice : Sylvain Roudiere
• Direction : Daniel Delahaye, Pierre Maréchal
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées
• Date : Soutenance le 21/11/2023
• Etablissement(s) : Toulouse 3
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de recherche ENAC (Toulouse ; 2019-....)
• Jury : Président / Présidente : Adnan Yassine
• Jury : Examinateurs / Examinatrices : Daniel Delahaye, Pierre Maréchal, Wei Peng, Aude Marzuoli
• Jury : Rapporteur / Rapporteuse : Wei Peng

Mots clés

Mots clés contrôlés

Brouillage électromagnétique

Automobiles -- Systèmes d'aide à la conduite

Radar

Mots clés libres

Optimisation

IA

V2X

Radar

Interférences

Optimisation

IA

V2X

Radar

Interferences

Résumé

À mesure que le nombre de véhicules équipés de systèmes avancés d'aide à la conduite (ADAS) augmente, il en va de même pour le nombre de véhicules équipés de radars automobiles. En effet, les études de marché estiment qu'en 2030, 50 % des véhicules seront équipés de radars automobiles. Cette croissance rapide du nombre de radars risque d'augmenter le risque d'interférences nuisibles. En effet, les spécifications des organismes de régulation (par exemple, l'ETSI) établissent des exigences en termes de puissance maximale et moyenne, mais ne prescrivent ni de formes d'onde radar spécifiques ni de politiques d'accès au canal commun (CCAP), rendant la coordination de l'utilisation de la bande de fréquence difficile. Actuellement, la réduction des interférences des radars automobiles repose principalement sur des techniques de traitement du signal et de randomisation des paramètres. Ces techniques fonctionnent bien aujourd'hui, en raison du faible nombre de radars, mais elles ne seront pas suffisantes dans une situation où la majorité des voitures seront équipées de radars. De nouvelles techniques de réduction des interférences deviennent importantes pour garantir le bon fonctionnement à long terme des radars et des systèmes ADAS de couche supérieure qui en dépendent dans cet environnement complexe. Cette thèse est consacrée à l'étude des capacités de réduction des interférences des méthodes actuelles dans de futurs environnements comportant beaucoup plus de radars, et à l'exploration de nouvelles méthodes utilisant la technologie Vehicle-To-Everything (V2X) comme canal de communication et l'intelligence artificielle (IA) pour minimiser les interférences et optimiser l'utilisation de la bande de fréquence. Comme aucune donnée n'est disponible pour étudier des situations de trafic routier à grande échelle avec des radars automobiles et des communications V2X, la première partie de cette thèse se concentre sur le simulateur en Python qui a été développé pour générer ces données. Le simulateur proposé vise à reproduire ce qui se produira avec différentes méthodes de réduction des interférences dans des scénarios réalistes. Cet objectif est atteint en utilisant des scénarios réalistes générés à l'aide du logiciel Simulation of Urban MObility (SUMO), tout en émettant des hypothèses raisonnables pour réduire le temps de calcul. L'objectif de la deuxième partie de la thèse est d'étudier le potentiel des techniques actuelles de réduction d' interférences dans un environnement sans CCAP. De plus, de nouvelles méthodes utilisant des données V2X ont été proposées. Ces méthodes basées sur l'orientation radar, ou basées sur des algorithmes génétiques (GA), ont été mises en œuvre pour améliorer le processus de sélection des paramètres des formes d'onde radar. Dans la situation où un CCAP est mis en œuvre, l'évitement des interférences devient plus facile à gérer. La troisième partie de cette thèse explore des stratégies simples de réduction des interférences en cas de CCAP et où la bande de fréquence est organisé en ressources orthogonales que les radars doivent se partager. En introduisant des ressources orthogonales, le problème est également traduit en un problème de K-coloration de graphe dynamique dont la solution optimale est approximée avec deux métaheuristiques proposées basées sur le recuit simulé (SA) et le GA. À partir de ces résultats, une nouvelle stratégie de réduction des interférences est proposée, basée sur le V2X et l'orientation des radars, afin de minimiser la quantité d'interférence en cas de CCAP. Enfin, la complexité d'un tel problème multi-agents fait de l'IA un candidat intéressant. Dans la dernière partie de la thèse, l'apprentissage par renforcement (RL) utilisant un réseau neuronal artificiel (ANN) est étudié pour la sélection des paramètres des formes d'onde radar basée sur les données V2X, et les réseaux neuronaux graphiques (GNN) sont utilisés pour les estimations de ligne de vue entre radars.

As the number of vehicles using Advanced Driver Assistance Systems (ADAS) is increasing, so does the number of vehicles equipped with automotive radars. Indeed, market studies estimate that by 2030, 50% of vehicles will be equipped with automotive radars. This rapid growth in radar numbers will likely increase the risk of harmful interference as specifications from standardisation bodies (e.g., ETSI) provide requirements in terms of maximum and mean power, but do not mandate specific radar waveforms nor Common Channel Access Policies (CCAP). Nowadays, automotive radar interference mitigation is done primarily with signal processing techniques and parameter randomisation. These techniques work well today, as the number of radars is low, but they won't suffice in a situation where the majority of cars are equipped with radars. New interference mitigation techniques are becoming important to ensure the long-term correct operation of radars and upper-layer ADAS systems that depend on them in this complex environment. This thesis is devoted to studying the mitigation capabilities of today's methods in future environments with a lot more radars, and investigating new methods making use of the Vehicle-To-Everything (V2X) technology as a side communication channel and Artificial Intelligence (AI) to minimise the amount of interference and optimise the automotive radar band usage. As no data is available to study large-scale road traffic situations with automotive radars and V2X communications, the first part of this thesis focuses on the Python-based simulator that has been built to generate this data and investigate different mitigation techniques. The proposed simulator aims at reproducing what will happen with different mitigation methods in realistic future scenarios. This goal is achieved by simulating realistic scenarios using the Simulation of Urban MObility (SUMO) software, while making reasonable assumptions to lower the computation time. The lack of specifications regarding radar waveforms and CCAP makes optimisation of the radar band more complicated in complex environments. The aim of the second part of the thesis is to investigate the potential of current mitigation techniques in such an environment without CCAP. In addition, new methods using V2X data have been proposed. These methods based on radar orientation, or based on Genetic Algorithms (GA) have been implemented to improve the waveform parameters selection process. In the situation where a CCAP is implemented, the avoidance of interference becomes easier to deal with. The third part of this thesis investigates simple interference mitigation strategies in case of a CCAP where the radar is organised in orthogonal resources that radars must share. By introducing orthogonal resources, the problem is also translated into a dynamic graph K-coloring problem whose optimal solution is approximated with two proposed metaheuristics based on Simulated Annealing (SA) and GA. From these results is then proposed a new mitigation strategy, based on V2X and radar orientation to minimise the amount of interference in case of CCAP. Finally, the complexity of such a multi-agent problem makes AI an interesting candidate for interference mitigation. In the last part of the thesis, Reinforcement Learning (RL) using Artificial Neural Network (ANN) is investigated for radar waveform parameters selection based on V2X data, and Graph Neural Networks (GNN) are used for radar line-of-sights estimations.