Caractérisation multidimensionnelle du canal de propagation et contribution de l'intelligence artificielle à la classification des scénarios de propagation pour les communications véhiculaires

Abstract

Au cours des dernières années, les réseaux mobiles ont considérablementamélioré leurs performances, notamment avec l’avènement de la 5G offrant desdébits bien plus élevés que ceux de la 4G. Ces avancées sont attribuables aux progrèstechnologiques dans divers domaines tels que les systèmes antennaires intégrés et lescomposants électroniques alliant rapidité et faible consommation. La 5G inaugureune ère de services diversifiés incluant l’Internet des Objets (IoT) et lescommunications véhiculaires, de Véhicule à Infrastructure (V2I) et de Véhicule àVéhicule (V2V). Dans ce contexte, la 5G propose une classe de communication(URLLC) offrant une latence ultra-faible et une fiabilité accrue.Pour accroître les performances de la 5G en termes d’efficacité spectrale, denombre d’utilisateurs et de temps de latence, des recherches ont débuté en octobre2022 dans le cadre de la Release 18 du 3GPP avec, pour objectif, d’explorer lepotentiel que pourrait apporter l’Intelligence Artificielle (IA) et les modèlesd’apprentissage type Machine Learning (ML) dans l’interface radio. Ce projet viseainsi à optimiser la technique d’estimation du canal et d’allocation des ressources,ainsi que la précision de positionnement. Le point commun à ces 3 objectifs est lecanal de propagation.Cette thèse se focalise sur les liens V2I dans les milieux suburbains et dans lestunnels.L’originalité des travaux réside dans i) la caractérisation multidimensionnelle(temps-espace-fréquence-polarisation) du canal en milieu suburbain et tunnel grâceaux nombreuses campagnes de mesures effectuées avec la sondeur de canalMaMIMOSA, ii) l’analyse de la variabilité temporelle et spatiale du canal MIMO, iii)création d’une base de données des paramètres du canal et iv) l’adaptation desmodèles d’apprentissage automatique pour la détection des types de scénario depropagation (LOS/NLOS). Notons que l’état de l’art ne concerne que les milieuxindoor ou l’environnement urbain avec des liens satellitaires.Ces travaux ont permis de constituer une base de données expérimentalesobtenues à partir de l’exploitation de mesures faites en site suburbain et en tunnel, etrespectivement sur ∼100k et ∼200k matrices de canal V2I. Le modèle ML pour laclassification des scénarios de propagation, soit en visibilité directe (LOS), soit sansvisibilité directe (NLOS), affiche des performances de prédiction de 97,9% .