• Langue : Français
• Discipline : Electronique, microélectronique, nanoélectronique et micro-ondes
• Identifiant : 2024ULILN014
• Type de thèse : Doctorat
• Date de soutenance : 21/06/2024

Résumé en langue originale

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% .

Résumé traduit

Over the past few years, mobile networks have significantly improved theirperformance, especially with the advent of 5G offering much higher data rate than4G. These advancements are attributable to technological progress in various areassuch as integrated antenna systems and electronic components that combine highresponse time with low power consumption. 5G ushers in an era of diversifiedservices including the Internet of Things (IoT) and vehicular communications, fromVehicle-to-Infrastructure (V2I) and Vehicle-to-Vehicle (V2V). In this context, 5Gintroduces a class of communication (URLLC) offering ultra-low latency andincreased reliability.To enhance the performance of 5G in terms of spectral efficiency, the number ofusers, and latency time, research began in October 2022 as part of the 3GPP Release18 with the goal of exploring the potential that Artificial Intelligence (AI) andMachine Learning (ML) models could bring to the radio interface. This project aimsto optimize the channel estimation technique and resource allocation, as well aspositioning accuracy.As part of these studies, this thesis focuses on V2I links in suburban environmentsand tunnels. Its objective is to create an experimental database of the most relevantparameters of the propagation channel, which will then allow for the training of MLmodels. On this point, the state of the art only concerns indoor environments or theurban environment with satellite links.The originality of the work lies in : i) measurement campaigns carried out inrealistic environments and scenarios, ii) the multidimensional characterization(time-space-frequency-polarization) of the propagation channel considering MIMO(Multiple Input Multiple Output-MIMO) antenna networks at the transmission andreception, iii) the analysis of the temporal and spatial variability of MIMO channels,and, iv) the adaptation of machine learning models for the classification ofpropagation scenarios.These works have led to the creation of an experimental database obtained fromthe exploitation of measurements made in suburban sites and tunnels, andrespectively on approximately 100k and 200k V2I channel matrices. The ML modelfor the classification of propagation scenarios, either in line of sight (LOS) or Non lineof sight (NLOS), shows prediction performances of 97.9% ; the number of points inLOS and NLOS is balanced to feed the model.