Contributions aux techniques de localisation indoor par empreinte radio exploitant les informations des canaux

Enhancing indoor location fingerprinting using channel state information

• Auteur / Autrice : Luan Chen
• Direction : Didier Le Ruyet
• Type : Thèse de doctorat
• Discipline(s) : Génie informatique, automatique et traitement du signal. Radiocommunications
• Date : Soutenance le 15/04/2020
• Etablissement(s) : Paris, CNAM
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Laboratoire : Centre d'études et de recherche en informatique et communications (Paris)
• Jury : Président / Présidente : Bruce Denby
• Jury : Examinateurs / Examinatrices : Iness Ahriz, Hong Sun, Geneviève Baudoin
• Jury : Rapporteurs / Rapporteuses : Jean-Pierre Cances, Rémy Boyer

Mots clés

Mots clés contrôlés

Transmission numérique

Services basés sur la localisation

RSSI (télécommunications)

Internet des objets

Systèmes de positionnement en intérieur

Mots clés libres

Localisation indoor

Informations des canaux

Entropie

Traitement du signal du réseau

Régression par noyaux

Indoor localization

Channel state information

Entropy

Array signal processing

Kernel regression

Résumé

Grâce au développement rapide des communications sans fil, la localisation par empreinte digitale (LF) a favorisé des services géodépendants considérables dans le domaine de l’Internet des objets. Dans cette thèse, nous avons d’abord proposé le système EntLoc, qui adopte l’entropie de modélisation autorégressive (AR) de l’amplitude des informations d’état de canal (CSI) comme empreinte digitale de localisation. Il partage la simplicité structurelle de la force du signal reçu (RSS) tout en réservant les informations de canal statistique les plus spécifiques à l’emplacement. De plus, un système AngLoc amélioré est égalementconçu, dont l’empreinte digitale d’angle d’arrivée (AoA) supplémentaire peut être récupérée avec précision de la phase CSI grâce à un algorithme amélioré basé sur le sous-espace, qui sert à éliminer davantage les candidats au point de référence(RP) sujets aux erreurs. Dans la phase LF en ligne, en exploitant à la fois les informations d’amplitude et de phase CSI, un nouveau schéma de régression par noyau bivarié est proposé pour déduire précisément l’emplacement de la cible. Lesrésultats d’expériences approfondies en intérieur valident la performance de localisation supérieure de notre système proposé par rapport aux approches précédentes.

With expeditious development of wireless communications, Location Fingerprinting (LF) has nurtured considerable indoor location based services in the field of Internet of Things. In this thesis, we first proposed EntLoc system, which adopts Autoregressive (AR) modeling entropy of the Channel State Information (CSI) amplitude as location fingerprint. It shares the structural simplicity of the Received Signal Strength (RSS) while reserving the most location-specific statistical channel information. Moreover, an upgraded AngLoc system is further designed, whose additional angle of arrival (AoA) fingerprint can be accurately retrieved from CSI phase through an enhanced subspace based algorithm, which serves to further eliminate the error-prone Reference Point (RP) candidates. In the LF online phase, by exploiting both CSI amplitude and phase information, a novel bivariate kernel regression scheme is proposed to precisely infer the target’s location. Results from extensive indoor experiments validate the superior localization performance of our proposed system over previous approaches.