Radiolocalisation Profonde en Milieux Complexes via Méthodes d'Intelligence Artificielle

Deep Wireless Localization based on Artificial Intelligence for Challenging Environments

• Auteur / Autrice : Ibrahim Sbeity
• Direction : Elena Veronica Belmega
• Type : Projet de thèse
• Discipline(s) : Stic - ed em2psi
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : CY Cergy Paris Université
• Ecole(s) doctorale(s) : Ecole doctorale Économie, Management, Mathématiques , Physique et Sciences Informatiques (EM2PSI)
• Partenaire(s) de recherche : Laboratoire : Equipes Traitement de l'Information et Systèmes (Cergy-Pontoise, Val d'Oise ; 2002-....)

Mots clés

Mots clés libres

Radiolocalisation

Intelligence Artificielle

Localisation

Localization

Artificial Intelligence

Wireless Localization

Résumé

Diverses technologies et standards de localisation sans fil à bas coût ont vu le jour ces dernières années (ex. standard UWB/IEEE802.15.4z, GPS RTK « low cost », radio cellulaire en bandes millimétriques...), couvrant ainsi les besoins d'une pluralité de nouveaux services topo-dépendants (ex. mobilité durable et transports intelligents, villes intelligentes, industrie 4.0, cyber-sécurité, etc.). Toutefois, en dépit des bonnes performances théoriques prêtées à ces systèmes, la présence d'obstructions radio et de trajets multiples dégrade en pratique considérablement la précision et la continuité de localisation (ex. localisation véhiculaire en canyons urbains, localisation indoor en milieux industriels denses…). Dans le cadre de cette thèse, on se propose d'évaluer le potentiel d'approches issues du domaine de l'intelligence artificielle, et en particulier de l'apprentissage automatique (profond), pour appréhender la richesse et la complexité des signaux radio reçus au regard du problème de localisation. Typiquement, on cherchera à tirer profit de l'information de localisation « cachée », que peuvent recéler les signaux multi-trajets conjointement observables au niveau de plusieurs liens radio en situation de mobilité. Contrairement aux traitements conventionnels, qui reposent majoritairement sur des modèles radio paramétriques posés a priori, simplistes et difficiles à calibrer, on cherchera alors à apprendre puis à généraliser les relations fortement non-linéaires unissant métriques radio (c.-à-d., de métriques extraites de signaux multitrajets/multi-liens à grande dimension) et descripteurs de localisation (ex. position relative/absolue, vitesse, orientation, conditions de visibilité…). Des stratégies de localisation dites « profondes » seront ensuite proposées afin de prédire, corriger et compléter les attributs de localisation manquants et/ou erronés, directement en termes de positionnement et de poursuite au niveau système (c.-à-d., sans en passer par des étapes intermédiaires de correction, au niveau de chaque lien radio indépendamment). Les approches proposées seront alimentées et testées au moyen de larges bases de données radio, comprenant des mesures collectées sur le terrain à partir de dispositifs radio réels, ainsi que des données synthétiques issues de simulations déterministes (de type tracer de rayons).

Various low-cost wireless localization technologies ans standards have emerged in recent years (e.g. UWB/IEEE802.15.4z standard, GPS RTK, cellular radio in millimeter wave bands...), fulfilling the needs of a variety of location-based applications and services (e.g., sustainable mobility and intelligent transport systems, smart cities, industry 4.0, cyber-security, etc.). However, despite the good theoretical performances of these systems, radio obstructions and multipath propagation degrade in practice both localization accuracy and continuity (e.g. vehicular navigation in urban canyons, indoor assets or pedestrians localization in dense industrial environments...). In the frame of these new PhD investigations, we propose to evaluate and demonstrate the promising potential of Artificial Intelligence, and more specifically, of advanced (deep) machine learning tools, to assess the richness and the complexity of received radio signals from a specific localization standpoint. Typically, one aim would be to benefit from the « hidden » location-dependent information contained in received mulitpath multi-link signals under user mobility. In constrast to conventional correction approaches based on a priori parametric models, which are most often too simplistic and hard to calibrate, we will thus consider learning and generalizing the fundamental non-linear relationships linking key location-dependent features (i.e., extracted out of high-dimension input received signals) and localization descriptors (e.g., relative/absolute position, speed, orientation, visibility conditions ). Accordingly, so-called « deep » localization strategies will then be developped, enabling the prediction, detection and/or completion of erroneous/missing location attributes, directly in terms of positioning and tracking at the system level (i.e., without requiring intermediary and independent link-wise correction steps). The designed learning architectures and localization approaches will be fed and validated by means of large radio databases, including both field measurements collected with real radio devices and synthetic data based on determinsitic prediction tools (e.g., ray-tracing)