Multidimensional propagation channel characterization and contribution of artificial intelligence to the classification of communication scenarios for vehicular communications.
Caractérisation multidimensionnelle du canal de propagation et contribution de l'intelligence artificielle à la classification des scénarios de propagation pour les communications véhiculaires
Résumé
Over the past few years, mobile networks have significantly improved their
performance, especially with the advent of 5G offering much higher data rate than
4G. These advancements are attributable to technological progress in various areas
such as integrated antenna systems and electronic components that combine high
response time with low power consumption. 5G ushers in an era of diversified
services including the Internet of Things (IoT) and vehicular communications, from
Vehicle-to-Infrastructure (V2I) and Vehicle-to-Vehicle (V2V). In this context, 5G
introduces a class of communication (URLLC) offering ultra-low latency and
increased reliability.
To enhance the performance of 5G in terms of spectral efficiency, the number of
users, and latency time, research began in October 2022 as part of the 3GPP Release
18 with the goal of exploring the potential that Artificial Intelligence (AI) and
Machine Learning (ML) models could bring to the radio interface. This project aims
to optimize the channel estimation technique and resource allocation, as well as
positioning accuracy.
As part of these studies, this thesis focuses on V2I links in suburban environments
and tunnels. Its objective is to create an experimental database of the most relevant
parameters of the propagation channel, which will then allow for the training of ML
models. On this point, the state of the art only concerns indoor environments or the
urban environment with satellite links.
The originality of the work lies in : i) measurement campaigns carried out in
realistic 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 and
reception, iii) the analysis of the temporal and spatial variability of MIMO channels,
and, iv) the adaptation of machine learning models for the classification of
propagation scenarios.
These works have led to the creation of an experimental database obtained from
the exploitation of measurements made in suburban sites and tunnels, and
respectively on approximately 100k and 200k V2I channel matrices. The ML model
for the classification of propagation scenarios, either in line of sight (LOS) or Non line
of sight (NLOS), shows prediction performances of 97.9% ; the number of points in
LOS and NLOS is balanced to feed the model.
Au cours des dernières années, les réseaux mobiles ont considérablement
amélioré leurs performances, notamment avec l’avènement de la 5G offrant des
débits bien plus élevés que ceux de la 4G. Ces avancées sont attribuables aux progrès
technologiques dans divers domaines tels que les systèmes antennaires intégrés et les
composants électroniques alliant rapidité et faible consommation. La 5G inaugure
une ère de services diversifiés incluant l’Internet des Objets (IoT) et les
communications véhiculaires, de Véhicule à Infrastructure (V2I) et de Véhicule à
Véhicule (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, de
nombre d’utilisateurs et de temps de latence, des recherches ont débuté en octobre
2022 dans le cadre de la Release 18 du 3GPP avec, pour objectif, d’explorer le
potentiel que pourrait apporter l’Intelligence Artificielle (IA) et les modèles
d’apprentissage type Machine Learning (ML) dans l’interface radio. Ce projet vise
ainsi 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 le
canal de propagation.
Cette thèse se focalise sur les liens V2I dans les milieux suburbains et dans les
tunnels.L’originalité des travaux réside dans i) la caractérisation multidimensionnelle
(temps-espace-fréquence-polarisation) du canal en milieu suburbain et tunnel grâce
aux nombreuses campagnes de mesures effectuées avec la sondeur de canal
MaMIMOSA, 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 des
modèles d’apprentissage automatique pour la détection des types de scénario de
propagation (LOS/NLOS). Notons que l’état de l’art ne concerne que les milieux
indoor ou l’environnement urbain avec des liens satellitaires.
Ces travaux ont permis de constituer une base de données expérimentales
obtenues à partir de l’exploitation de mesures faites en site suburbain et en tunnel, et
respectivement sur ∼100k et ∼200k matrices de canal V2I. Le modèle ML pour la
classification des scénarios de propagation, soit en visibilité directe (LOS), soit sans
visibilité directe (NLOS), affiche des performances de prédiction de 97,9% .