Estimation des paramètres de multitrajets pour des signaux GNSS par apprentissage profond et application en environnement de simulation 3D - ENAC - École nationale de l'aviation civile
Thèse Année : 2024

GNSS multipath parameters estimation using deep learning and application to 3D synthetic environment

Estimation des paramètres de multitrajets pour des signaux GNSS par apprentissage profond et application en environnement de simulation 3D

Thomas Gonzalez
  • Fonction : Auteur
  • PersonId : 1407133

Résumé

The Global Navigation Satellite System (GNSS) signal reception system is vulnerable to the multipath phenomenon. Ubiquitous in urban environments, it can lead to a significant deterioration in receiver positioning performances. Despite the development of numerous techniques for detecting or reducing its effects such as the Fast Iterative Maximum-Likelihood Algorithm (FIMLA) or particle filters, reducing the multipath impact within a GNSS receiver remains a difficult objective. In this thesis, we propose to apply a Machine Learning algorithm to eliminate the multipath component by estimating four key parameters: its delay, Doppler frequency, amplitude and phase. We will use data in the form of labeled images. These images are representations of the I and Q channels at the receiver correlator outputs. The signals will be synthetic and the multipaths generated according to two different protocols: randomly or collected from a GNSS signal propagation simulator, capable of reproducing situations conducive to multipaths (e.g. simulation of reception in an urban canyon). The information of the signal and its parasitic replica is distributed between the I and Q images constructed by a correlator output generator with a number of outputs flexible in order to generate images with different resolutions. In order to carry out the multipath parameters estimation on I and Q images, a complex task due to the multichannel aspect of the problem, we will use Convolutional Neural Networks (CNN). Used repeatedly on classification problems, they have become a reference in image analysis via Machine Learning algorithms. Although they are less widely used in regression, they nevertheless show good estimation capabilities, as in the case of age estimation or for the estimation of body positions in 3D space. Here we introduce a new convolution neural network model combining the ability of convolution layers to automatically extract highly informative features with a soft-labeling technique that improves the CNN robustness during its generalization phase. The idea behind soft labelling is to reduce the algorithm trust on labels in order to make the regression task easier, given the complexity of image data. Labels are then seen as probability distributions with their means equal to the labels. Inspired by previous work by Imani et al. (2018), we use a loss function specifically tailored to measure dissimilarities between the new labels and their prediction with a Kullback-Leibler divergence. The new CNN model was tested on different image datasets with different noise levels and image sizes, in order to test the algorithm's estimation qualities and robustness. The results show a clear improvement in CNN estimation accuracy under all the conditions tested, using the soft labelling method compared with "conventional" regression on a continuous variable. Additionally, the performance gain provided by the soft labeling method with distributions means that we can work with input image sizes reduced from 80×80 to 20×20 pixels.
Le système de réception de signaux Global Navigation Satellite System (GNSS) présente une vulnérabilité face au phénomène de multitrajet. Événement fréquent en milieu urbain, il peut mener à une forte détérioration des performances de positionnement du récepteur. Malgré le développement de nombreuses techniques à des fins de détection ou de réduction de ses effets comme le Fast Iterative Maximum-Likelihood Algorithm (FIMLA) ou les filtres particulaires, la diminution de l'impact du multitrajet au sein d'un récepteur GNSS reste un objectif difficile à atteindre. Dans cette thèse, nous nous proposons d'appliquer un algorithme de Machine Learning pour éliminer la composante du multitrajet par l'estimation de quatre paramètres déterminants : son retard, sa fréquence Doppler, son amplitude et sa phase. Nous utiliserons des données sous forme d'images labellisées. Ces images sont les représentations des canaux I et Q aux sorties du corrélateur. Les signaux seront synthétiques et les multitrajets générés selon deux protocoles différents : aléatoirement ou collectés à partir d'un simulateur de propagation de signaux GNSS, capable de reproduire des situations propices aux multitrajets (ex : simulation de réception dans un canyon urbain). Les informations sur le signal et sa réplique parasite sont réparties parmi les images I et Q des sorties de corrélateur construites par un générateur de sorties de corrélateur. Le nombre de sorties calculées par le générateur est flexible afin de générer différentes résolutions d'images. Dans le but d'effectuer la tâche de régression des paramètres de multitrajets sur les images I et Q, complexe par l'aspect multicanal du problème, nous utiliserons des réseaux de neurones à convolution ou Convolutional Neural Network (CNN). Utilisés à maintes reprises sur des problèmes de classification, ils sont devenus une référence dans l'analyse d'images via des algorithmes de Machine Learning. Malgré une utilisation moins démocratisée en régression, ils montrent pourtant de bonnes capacités d'estimation comme pour l'estimation d'âge ou l'estimation de positions d'un corps dans un espace 3D. Ici, nous introduisons un nouveau modèle de réseau de neurones à convolution combinant la capacité d'extraction automatique des points d'intérêts hautement informatifs par les couches de convolution et une technique de soft labelling améliorant la robustesse du CNN lors de son étape de généralisation. L'idée du soft labelling est de diminuer la confiance de l'algorithme envers les labels afin de rendre la tâche de régression plus aisée, étant complexe pour des données sous forme d'images. Les labels sont alors vus comme des distributions de probabilités d'espérances égales aux labels. Inspirés de travaux antérieurs effectués par Imani et al. (2018), nous utilisons une fonction perte spécifiquement adaptée à la mesure de dissimilarités entre les nouveaux labels et leur prédiction avec la divergence de Kullback-Leibler. Le nouveau modèle de CNN a été testé sur différents datasets d'images présentant différents niveaux de bruits et différentes tailles d'images afin de tester les qualités d'estimation de l'algorithme ainsi que sa robustesse. Les résultats montrent dans toutes les conditions testées une claire amélioration de la précision d'estimation par CNN avec la méthode de soft labelling par rapport à une régression " classique " effectuée sur une variable continue. De plus, le gain de performances apporté par la méthode de soft labelling par distribution (Distribution loss) permet de travailler avec des tailles d'images en entrée réduites de 80×80 à 20×20 pixels.
Fichier principal
Vignette du fichier
2024TLSES059.pdf (20.36 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04669754 , version 1 (09-08-2024)
tel-04669754 , version 2 (10-09-2024)

Identifiants

  • HAL Id : tel-04669754 , version 2

Citer

Thomas Gonzalez. Estimation des paramètres de multitrajets pour des signaux GNSS par apprentissage profond et application en environnement de simulation 3D. Sciences de l'information et de la communication. Université de Toulouse, 2024. Français. ⟨NNT : 2024TLSES059⟩. ⟨tel-04669754v2⟩
195 Consultations
32 Téléchargements

Partager

More