Soutenance mémoire
La localisation constitue la pierre angulaire pour d’innombrables applications sans fil. Les informations de positionnement sont exploitées par les opérateurs cellulaires pour repérer la source des appels d’urgence et gérer les ressources d’infrastructure. En outre, le service de localisation assuré par les téléphones cellulaires et les récepteurs GPS s’avère être une nécessité pour la navigation. On se sert aussi des informations de positionnement pour la gestion de flotte en faisant le suivi des objets tels que les véhicules et les biens précieux.
Principalement poussé par le mandat américain du Enhanced 911, qui exige d’être en mesure de localiser les téléphones mobiles avec une précision allant de 50 jusqu’à environ 100 m, mais aussi par les nouveaux services basés sur la localisation commerciale, maints systèmes et techniques de positionnement sont conçus et déployés [5]. De nombreuses techniques de localisation à l’intérieur exigent un processus connu sous le nom d’empreintes digitales ou fingerprinting à effectuer avant de pouvoir localiser avec précision les appareils mobiles. Ce processus, fastidieux et coûteux, doit être répété pour chaque nouvel environnement ou lorsque l’environnement varie. Ces contraintes limitent considérablement le nombre et les types d’applications pouvant utiliser la localisation d’intérieur. En conséquence, une méthode robuste nécessitant peu ou pas de connaissance de la région est grandement nécessaire. Il importe de définir ici les topologies de systèmes locaux de positionnement sans fils et de se situer à l’intérieur de cette gamme.
Les dispositifs sans fil peuvent être localisés de plusieurs manières. Dans les applications où l’appareil mobile doit connaître son propre emplacement, le mobile compte sur les émetteurs sans fil existants et déployés à des emplacements connus. Le système de localisation globale (GPS) en est l’exemple. Globalement, on différencie trois méthodes pouvant fournir une infrastructure de trilatération. Une des solutions consiste à mettre en place une infrastructure sur-mesure qui est déployée au besoin. Toutefois, cette souplesse vient à grands frais, ce coût en temps et en argent est au-delà de la portée de ce projet.
Une autre solution courante consiste à utiliser les signaux RF existants qui sont à priori produits à d’autres fins pour la localisation, notamment les signaux de téléphonie cellulaire ou les signaux de données des réseaux locaux sans fils. Toutefois, ce type de système de localisation est limité par les propriétés du signal utilisé. Par exemple, pour exploiter le réseau WiFi et faire usage de ces types de signaux, le concepteur est obligé d’utiliser l’étalement spectral à séquence directe (DSSS) sur la bande 2,4 GHz.
Systèmes basés sur le Wifi ou IEEE 802.11
Cette norme du réseau local sans fil (WLAN), fonctionnant dans la bande ISM des 2,4 GHz, est devenue très populaire dans les hotspots publics et les lieux des entreprises au cours des dernières années. Avec un débit binaire brut typique de 11, 54, ou 108 Mbps et une portée de 50 à 100 m, IEEE 802.11 est actuellement la norme dominante du réseau local sans fil. Par conséquent, l’utilisation de son infrastructure existante pour fins de localisation d’intérieur constitue une opportunité. La précision des systèmes de positionnement WLAN typiques utilisant les données RSS est approximativement de 3 à 30m, avec une fréquence de mise à jour de l’ordre de quelques secondes [9].
Bahl et al. [10] présentent un système d’intérieur de positionnement et de suivi ou tracking nommé RADAR. Les auteurs proposent deux types d’approches pour déterminer l’emplacement. La première dépend des mesures empiriques de la force des signaux du point d’accès lorsqu’il est hors ligne. La deuxième se base sur une modélisation du canal de propagation. Les modèles de propagation basés sur le facteur d’atténuation des murs WAF et celui du plancher FAF sont utilisés, à la place du modèle de Rayleigh ou de Rice, qui sont plutôt utilisés en milieu d’extérieur. La précision du système RADAR est d’environ 2-3 m. Dans leur deuxième travail [11], le système a été amélioré par un algorithme similaire à celui de Viterbi. La médiane de l’erreur ou le résultat est tel que le 50 percentile du système est d’environ 2,37 à 2,65 m et le 90 percentile est d’environ 5,93 à 5,97 m.
Maintes autres méthodes probabilistes sont utilisées pour la conception de systèmes de localisation d’intérieur à savoir la classification commune ou joint clustering [12, 13] les réseaux bayésiens basés sur les grilles [14, 15], les classificateurs basés sur les réseaux de neurones [16] ou bien la complexité stochastique et l’apprentissage concurrentiel en ligne [17]. Les systèmes de positionnement sans fils sont aussi exploités dans la robotique mobile. Déterminer la position d’un robot mobile donné, en utilisant multiples entrées provenant de différents capteurs, y compris les signaux GPS, sonar, la vision et des capteurs à ultrasons, est un sujet qui est abordé par de nombreux chercheurs [18] .
Alors que la plupart des systèmes basés sur WLAN utilisent la puissance du signal reçu, AeroScout [19] utilise une solution de localisation par TDoA au sein du 802.11. Il requière une synchronisation rigoureuse de quelques nanosecondes entre les différents récepteurs d’un même signal pour aboutir à un résultat admissible.
Systèmes de localisation de type Bluetooth
Bluetooth ou IEEE 802.15 fonctionne dans la bande ISM 2,4 GHz. Par rapport au réseau local sans fil, le débit binaire brut est inférieur (1 Mbps), et la portée est plus courte (typiquement de 10 à 15 m). D’autre part, Bluetooth est omniprésent. Il est intégré dans la plupart des téléphones et assistants numériques personnels (PDA). Topaz est un système de positionnement local [20] basé sur l’infrastructure Bluetooth de la compagnie Tadlys. Ce système offre une précision spatiale de 2 m avec une fiabilité de 95%. Le délai de positionnement est de 15-30 s. Antti et al. [21] présentent la conception et l’implémentation d’une application locale de positionnement Bluetooth (BLPA). Tout d’abord, ils convertissent les niveaux de puissance des signaux reçus à des estimées de distance en fonction d’un simple modèle de propagation, et ensuite, ils utilisent un filtre de Kalman étendu (EKF) pour calculer l’estimée de position en 3-D. La précision de BLPA est rapporté à 3,76 m.
Systèmes d’intérieur de type GPS
SnapTrack, [22] une société de Qualcomm, est la première à avoir introduit le GPS assisté au sans fil (A-GPS) pour surmonter les limitations du GPS classique, et à fournir une localisation d’intérieur de précision moyenne de 5 à 50 m. Récemment, Atmel [23] et U-blox [24] ont annoncé la disponibilité d’une nouvelle technologie de suivi ou tracking des faibles signaux GPS, appelé SuperSense.
Locata Corporation a inventé une nouvelle technologie de positionnement appelée Locata. Elle se compose en partie d’un pseudolite émetteur-récepteur synchronisé en temps appelé LocataLite. Un réseau de LocataLite forme un LocataNet, qui transmet des signaux de type GPS, permettant de positionner un mobile en utilisant des mesures de phase de porteuse. Les tests relatifs révèlent une preuve de concept de cette technologie et la garantie d’un positionnement avec une précision en dessous des centimètres [25].
|
Table des matières
INTRODUCTION
CHAPITRE 1 MISE EN CONTEXTE
1.1 Introduction
1.2 Objectifs du projet
1.3 Méthodologie
CHAPITRE 2 PRINCIPES DE LOCALISATION D’INTÉRIEUR
2.1 Introduction
2.2 État de l’art des systèmes de localisation d’intérieur
2.2.1 Systèmes basés sur le Wifi ou IEEE 802.11
2.2.2 Systèmes de localisation de type Bluetooth
2.2.3 Systèmes d’intérieur de type GPS
2.2.4 Localisation dans un réseau de capteurs sans fils ou WSN
2.2.5 Systèmes de localisation de type RFID
2.2.6 Autres systèmes
2.3 Mesures de distances
2.3.1 Techniques de triangulation
2.3.1.1 L’instant d’arrivée ou ToA
2.3.1.2 La différence des instants d’arrivées ou TDoA
2.3.1.3 Le temps d’aller-retour du signal ou RToF
2.3.1.4 La puissance du signal reçu ou RSS
2.3.2 L’angle d’arrivé
2.3.3 La phase du signal reçu ou PoA
2.3.4 Analyse de scène
2.4 Algorithmes de localisation
2.4.1 Algorithmes de localisation basés sur les RSS
2.4.1.1 Le voisin le plus proche ou Closest Neighbor (CN)
2.4.1.2 L’estimation basée sur le maximum de vraisemblance
2.4.2 Algorithmes de localisation basés sur le ToA
2.4.2.1 Moindres carrées pour le ToA
2.5 Métriques de performances
2.5.1 Précision
2.5.1.1 Erreur circulaire probable
2.5.1.2 Dilution géométrique de précision
2.5.1.3 Erreur quadratique moyenne
2.5.1.4 Borne inférieure de Cramer-Rao
2.5.2 Exactitude
2.5.3 Robustesse
2.5.4 Complexité
2.5.5 Évolutivité
2.5.6 Coût
2.6 Sources d’erreurs
2.6.1 Les erreurs induites par la propagation
2.6.1.1 Rayons des trajets multiples
2.6.1.2 Phénomène d’obscuration ou shadowing
2.6.2 Les erreurs induites par les instruments et l’observation
2.6.2.1 Délai matériel
2.6.2.2 Limitations de la bande passante
2.7 Conclusion
CHAPITRE 3 LES RADIOS DÉFINIES PAR LOGICIEL
3.1 Introduction
3.2 Les radios définies par logiciels
3.3 Architecture matérielle
3.3.1 Carte mère USRP N210
3.3.2 Carte fille
3.3.3 Antennes
3.4 Architecture logicielle
3.4.1 Framework GNU-Radio
3.4.2 Pilotes des radios, ordonnancement
3.4.2.1 Les pilotes UHD
3.4.2.2 L’ordonnanceur
3.4.2.3 Architecture de l’ordonnanceur TPB
3.5 Conclusion
CHAPITRE 4 MISE À JOUR DU SYSTÈME DE LOCALISATION SUR GNURADIO
4.1 Introduction
4.2 Réseau local sans fil IEEE 802.11b
4.2.1 Implémentations de 802.11 sur radio définie par logiciel
4.2.1.1 BBN 802.11b
4.2.1.2 Récepteur 802.11b du laboratoire SPAN
4.2.1.3 Encodeur et émetteur 802.11p de FTW
4.2.2 Contributions au projet BBN 802.11b
4.2.3 Émetteur-récepteur OFDM pour IEEE 802.11 a/g/p
4.2.4 Projet WifiLocaliztion
4.3 Mise à jour des codes sources de la chaine de communication
4.3.1 Mise à jour pour se conformer aux pilotes UHD
4.3.2 Codes émetteur et récepteurs « neoTx.py » et « neoRx.py »
4.4 Tests préliminaires et résultats obtenus
4.4.1 Tests préliminaires
4.4.2 Résultats obtenus
4.5 Conclusion
CHAPITRE 5 AMÉLIORATIONS DU SYSTÈME DE LOCALISATION
5.1 Introduction
5.2 Étude des éléments de la latence
5.3 Interprétation des résultats rapportés par le module de post-traitement
5.4 Améliorations apportées
5.4.1 Amélioration du module d’estimation des RSS
5.4.2 Mise à jour pour la compatibilité avec l’API C++ d’UHD
5.4.3 Conception de la solution d’horodatage au sein du FPGA
5.4.4 Preuve de concept d’un mécanisme de synchronisation par PTPd
5.5 Conclusion
CONCLUSION
Télécharger le rapport complet
