Thèse soutenue

Modèles d'activité et algorithmes d'estimation Bayésienne pour l'accès aléatoire spontané aux réseaux sans-fil
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Lélio Chetot
Direction : Jean-Marie Gorce
Type : Thèse de doctorat
Discipline(s) : Traitement du Signal et de l'Image
Date : Soutenance le 07/07/2022
Etablissement(s) : Lyon
Ecole(s) doctorale(s) : École doctorale Électronique, électrotechnique, automatique (Lyon)
Partenaire(s) de recherche : établissement opérateur d'inscription : Institut national des sciences appliquées (Lyon ; 1957-....)
Laboratoire : CITI - Centre d'Innovation en Télécommunications et Intégration de services (Lyon, INSA) - CITI Centre of Innovation in Telecommunications and Integration of services / CITI - Inria Lyon
Equipe de recherche : MARACAS Modèle et algorithmes pour des systèmes de communication fiables
Jury : Président / Présidente : Philippe Ciblat
Examinateurs / Examinatrices : Jean-Marie Gorce, Philippe Ciblat, Catherine Douillard, Dejan Vukobratovic, Malcolm Egan, Aline Roumy, Cedomir Stefanovic
Rapporteurs / Rapporteuses : Catherine Douillard, Dejan Vukobratovic

Résumé

FR  |  
EN

Les nouveaux réseaux sans fil de la 5G commencent à être déployés dans le monde entier. Avec eux, un large spectre de services émerge, entraînant de strictes exigences de performances qui dépassent celles de la 4G d'un facteur 10. Ces services s'articulent autour du haut débit mobile amélioré (eMBB), de la communication ultra fiable et à faible latence (uRLLC) et de la communication massive de type machine (mMTC). Ils ont tous nécessité le développement de technologies clés qui joueront également un rôle important dans l'émergence de la 6G. Cette thèse met l'accent sur l'accès aléatoire spontané (GFRA) pour l'uRLLC et la mMTC. Le protocole GFRA est introduit pour le standard 5G-NR pour réduire la surcharge de données du RA. Il en résulte une réduction des latences d'accès des équipements utilisateurs (UE) à un point d'accès (AP). L'efficacité du GFRA est d'une importance capitale pour la 5G, par exemple pour l'Internet des objets (IoT). Des techniques de traitement du signal à accès multiple non orthogonal (NOMA) sont donc envisagées. À l'aide de la théorie de l'acquisition comprimée (CS) bayésienne, des algorithmes de la famille du passage de message approximé (AMP) sont développés pour résoudre les problèmes de détection d'utilisateurs actifs et d'estimation du canal (AUDaCE). Cela est crucial pour identifier correctement les UEs émetteurs en garantissant qu'un AP puisse envoyer de manière fiable les données aux UEs détectés. Contrairement aux travaux existants sur ce sujet, l'AUDaCE est étudiée pour des réseaux sans-fil où l'activité des UEs est corrélée. Deux nouveaux modèles d'activité sont introduits. Le premier modélise l'activité des UE par une activité homogène de groupe (GHomA). Le second modèle tient compte d'une structure de dépendance plus générale via l'activité hétérogène de groupe (GHetA). De nouveaux algorithmes à passage de messages approximés de la famille des algorithmes hybride GAMP (HGAMP) sont développés pour chacun des modèles. À l'aide de variables latentes associées à chaque groupe pour modéliser les probabilités d'activité des UE, l'algorithme GHomA-HGAMP peut effectuer l'AUDaCE pour le GFRA en tirant parti d'une telle homogénéité de groupe. Lorsque l'activité est hétérogène, il est possible de développer GHetA-HGAMP en utilisant la théorie des copules. Nos simulations numériques mettent en évidence des améliorations significatives des performances de GHomA-HGAMP et GHetA-HGAMP par rapport aux algorithmes existants, qui ne prennent pas correctement en compte la corrélation dans l'activité. En particulier, l'estimation du canal et la capacité de détection des utilisateurs actifs sont améliorées dans de nombreux scénarios avec une amélioration de 4dB pour l'estimation de canal et deux fois moins d'erreurs de détection. Cette thèse fournit une approche systématique de l'AUDaCE pour les réseaux sans fil avec des activités corrélées en utilisant des outils de la CS bayésienne.