Une limite actuelle à l'utilisation des systèmes de navigation par satellite dans les véhicules autonomes réside dans leur vulnérabilité aux perturbations des signaux dues aux multitrajets (réflexions parasites sur des surfaces environnantes). Ce phénomène devient plus prégnant à mesure que le milieu urbain se densifie.
Les approches existantes de réduction de l'effet des multitrajets ont atteint leur limite. Elles ne prennent pas en compte la dynamique du récepteur d'une part et celles des multitrajets d'autre part. En particulier la réponse temporelle du récepteur à la distorsion générée par le multitrajet est ignorée.
Il existe aujourd'hui un corpus d'algorithmes de Machine Learning spécialisés dans l'apprentissage de données dynamiques regroupés sous la terminologie « Deep Recurrent Neural Networks ». Ce projet vise à démontrer que le couplage de ces techniques avec la corrélation mise en œuvre dans le récepteur peut améliorer la détection et la réduction de l'effet des multitrajets.
Objectif
Ce projet s'inscrit dans la continuité de deux thèses portant sur la détection statique des multitrajets. Un multitrajet est une réflexion sur une ou plusieurs surfaces environnantes du signal émis par un satellite de navigation. Ces multitrajets perturbent la précision de la position délivrée à l'utilisateur (avion en approche, piéton, véhicule autonome en milieu urbain, ...).
Les méthodes classiques de réduction de l'effet des multitrajets ayant montré leurs limites, ces thèses ont démontré la validité des approches à base d'apprentissage automatique.
La signature dynamique des multitrajets n'a jusqu'à présent pas encore été exploitée. Ce projet de thèse se propose de développer une méthodologie incorporant la dimension temporelle des signaux.
Plus spécifiquement, dans un récepteur GNSS (Global Navigation Satellite System) le principe fondamental mis en œuvre est la corrélation des signaux. Celle-ci se fait sur deux voies, I (In-phase) et Q (in-Quadrature), dans l'objectif de mesurer la distance entre le récepteur et le satellite. Un récepteur classique se contente d'un nombre limité de points de corrélation. La méthode proposée dans les deux thèses est en rupture avec cette technique : elle propose de traiter les voies I et Q comme des images basse résolution. La richesse de l'information à disposition ouvre la voie aux méthodes à base de données (Data Science) en lieu et place des techniques traditionnelles d'analyse des signaux.
Des publications récentes [1-5] ont ainsi démontré la performance des réseaux de neurones convolutifs (CNN) pour la réduction de l'impact des multitrajets.
Une limite de l'approche actuelle est qu'elle ne tient pas compte de la dynamique du récepteur d'une part et des multitrajets d'autre part. En particulier la réponse temporelle du récepteur à la distorsion générée par les multitrajets est ignorée dans les travaux actuels.
Il existe aujourd'hui un corpus d'algorithmes de Machine Learning spécialisés dans l'apprentissage de données dynamiques (RNN, LSTM, ...), regroupés sous la terminologie « Deep Recurrent Neural Networks ». Ce projet de thèse vise à démontrer que le couplage de ces techniques avec la corrélation mise en œuvre dans le récepteur peut améliorer la détection et la réduction de l'effet des multitrajets par le récepteur. Le travail de thèse se focalisera notamment d'une part sur la dépendance intrinsèque entre le signal d'intérêt et sa perturbation due aux multitrajets et d'autre part sur l'étude d'une méthodologie d'apprentissage intégrant cette dépendance.
NB: l'équipe de l'ENAC, par son ancrage au sein de la Direction Générale de l'Aviation Civile (DGAC), dispose d'un accès direct à des données et des environnements GNSS de simulation.
Phases
Programme envisagé : ans de thèse
1. Pré-analyse : mois
* Étude bibliographique sur :
* la caractérisation des multitrajets et notamment leur dynamique,
* la détection et la réduction des multitrajets.
* Prise en main des travaux existants au laboratoire ENAC sur la détection et l'estimation des multitrajets à partir de techniques de Machine Learning.
* Étude bibliographique et prise en main des techniques de Machine Learning pour les données dynamiques (RNN, LSTM notamment).
2. Modèle d'apprentissage : mois
o Étude et choix de représentation des données GNSS dynamiques.
o Étude de la dépendance signal principal / multitrajet. Analyse de l'impact de cette dépendance sur l'apprentissage.
o Proposition d'une prise en compte de la dépendance dans la méthode d'apprentissage.
o Proposition d'une architecture d'apprentissage.
3. Implémentation et validation du modèle : mois
4. Étude expérimentale sur données d
Experience: Expérience exigée de 1 An(s)
Langues: Français souhaité
Secteur d'activité: Activités des agences de placement de main-d'œuvre
Créée il y a70ans, l'ENAC, École Nationale de l'Aviation Civile, est la plus importante des Grandes Écoles ou universités aéronautiques en Europe. Elle assure la formation initiale et le perfectionnement des cadres et des principaux acteurs de l'aviation civile: ingénierie, navigation aérienne, pilotage, gestion aéroportuaire, recherche, expertises, développement à l'international.
L'ENAC est un établissement public à caractère scientifique, culturel et professionnel...
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.